Xudong Han(@Xudong07452910):这篇论文很有意思！现在连 RSI 都开始有自己的「实验场」了。 Evolvent AI 和 NUS 这篇论文提出 RSIGym，一个专门让 Agent 研究「怎么改进 AI」的实验环境。它把训练、推理、数据生成、评测和沙盒都封装成服务。Research Agent 可以直接调用这些能力，然后不断循环：分析问题 → 改数据 / 训练配置 / Harness → 训练 → 评测 → 根据结果继续修改。更有意思的是，它把自我改进拆成三种模式： Data 只允许改训练数据； Harness 只改模型外的运行系统； Joint 则把数据、训练配置和 Harness 一起开放给 Agent。作者还提出 RSI-Index，衡量系统在 SWE-bench、Terminal-Bench、AIME、GPQA 和 SkillsBench 上填平了多少「距离满分的差距」。在每个 benchmark $500 的预算下，6 个前沿研究模型都能让初始系统变强。其中 Opus 5 的 RSI-Index 最高，达到 0.4809；SWE-bench Verified 从 17.67% 提升到 50.33%，AIME 从 31.67% 提升到 97.78%。还有一个挺有意思的结果，只改 Harness 就能带来明显提升，而单独增加训练数据的效果很有限。看完这篇，我觉得 RSI 正在从一个很抽象的概念，慢慢变成可以真正做实验的系统问题。接下来值得看的，就是这些「改进」能不能被继承，并继续帮助下一轮产生更好的改进。 📎 arxiv:

2026.10.08 10:50

这篇论文很有意思！现在连 RSI 都开始有自己的「实验场」了。 Evolvent AI 和 NUS 这篇论文提出 RSIGym，一个专门让 Agent 研究「怎么改进 AI」的实验环境。它把训练、推理、数据生成、评测和沙盒都封装成服务。Research Agent 可以直接调用这些能力，然后不断循环：分析问题 → 改数据 / 训练配置 / Harness → 训练 → 评测 → 根据结果继续修改。更有意思的是，它把自我改进拆成三种模式： Data 只允许改训练数据； Harness 只改模型外的运行系统； Joint 则把数据、训练配置和 Harness 一起开放给 Agent。作者还提出 RSI-Index，衡量系统在 SWE-bench、Terminal-Bench、AIME、GPQA 和 SkillsBench 上填平了多少「距离满分的差距」。在每个 benchmark $500 的预算下，6 个前沿研究模型都能让初始系统变强。其中 Opus 5 的 RSI-Index 最高，达到 0.4809；SWE-bench Verified 从 17.67% 提升到 50.33%，AIME 从 31.67% 提升到 97.78%。还有一个挺有意思的结果，只改 Harness 就能带来明显提升，而单独增加训练数据的效果很有限。看完这篇，我觉得 RSI 正在从一个很抽象的概念，慢慢变成可以真正做实验的系统问题。接下来值得看的，就是这些「改进」能不能被继承，并继续帮助下一轮产生更好的改进。 📎 arxiv:

显示更多