RSI-Anything：利用世界模型解锁递归式自我改进

Hugging Face Daily Papers 论文
recursive-self-improvement world-models jepa agentic-ai code-repair scientific-discovery self-supervised-learning

摘要

RSI-Anything 提出一个基于 JEPA-Anything 的领域通用递归自我改进框架，利用预测性世界模型指导行动与学习数据选择，在代码修复、GUI 任务、实验室规划和反应优化等多个领域均取得显著性能提升。

递归自我改进（RSI）旨在将交互经验转化为持久的改进，但外部反馈成本高昂，而且随着策略演化，世界模型的预测可能变得不可靠。我们提出 RSI-Anything，这是一个基于 JEPA-Anything 构建的通用领域框架，利用预测性世界模型指导行动和学习数据的选择。观测到的反馈推动策略或工作流改进，以及有条件的世界模型适应，而组件检查和兼容性检查则决定是否保留更新后的策略—模型组合。RSI-Anything 在多种计算和科学领域中均展现出显著提升。在代码修复中，保持代码生成器不变且测试使用量相当时，成功率从使用静态验证器时的 26.3%，提升至采用预测性选择后的 29.2%，并在世界模型适应后进一步提升至 31.2%。图形用户界面（GUI）评估显示，任务完成率提高，同时平均操作次数减少了 39.4%。在连续五个策略版本中，实验室规划得分从 21.80% 提升至 46.01%，增长超过一倍。在反应优化中，在同样的 40 次实验预算下，RSI-Anything 的平均最佳观测产率达到 96.15%，而贝叶斯优化为 82.16%。一项端到端的免疫科学应用进一步将工作流演化和预测建模与治疗假设生成联系起来。这些结果表明，预测性世界模型和保留下来的系统更新能够在多样化环境中实现递归改进。
查看原文
查看缓存全文

缓存时间: 2026/10/12 02:37

论文页面 - RSI-Anything：通过世界模型实现递归自我改进

来源：https://huggingface.co/papers/2610.13912

摘要

递归自我改进(RSI)旨在将交互经验转化为持久的改进，但外部反馈成本高昂，而且随着策略的演变，世界模型的预测可能变得不可靠。我们提出了RSI-Anything，这是一个基于JEPA-Anything构建的通用框架，利用预测性世界模型指导行动和学习数据的选择。观测到的反馈推动策略或工作流程的改进以及有条件的世界模型适配，而组件检查和兼容性检查则决定是否保留更新后的策略与模型组合。在多种计算和科学领域中，RSI-Anything都取得了显著提升。在代码修复任务中，保持代码生成器不变且测试使用量相当时，使用静态验证器的成功率为26.3%，通过预测性选择提高至29.2%，在世界模型适配后进一步提高至31.2%。图形用户界面(GUI)评估显示，任务完成率有所提高，同时平均操作次数减少了39.4%。在连续五个策略版本中，实验室规划得分从21.80%提高至46.01%，增长超过一倍。在反应优化中，在相同的40次实验预算下，RSI-Anything的平均最佳观测产率达到96.15%，而贝叶斯优化为82.16%。一个端到端的免疫科学应用进一步将工作流程演进和预测建模与治疗假设生成联系起来。这些结果表明，预测性世界模型与保留下来的系统更新能够在多种环境中实现递归改进。

查看arXiv页面 (https://arxiv.org/abs/2610.13912)查看PDF (https://arxiv.org/pdf/2610.13912)项目页面 (https://huggingface.co/datasets/Gen-Verse/RSI-Anything)GitHub2 (https://github.com/Gen-Verse/RSI-Anything)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.13912)

在你的智能体中获取这篇论文：

hf papers read 2610\.13912

尚未安装最新版CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用这篇论文的模型0

没有模型关联这篇论文

在模型的README.md中引用arxiv.org/abs/2610.13912，即可从此页面链接到该模型。

引用这篇论文的数据集0

没有数据集关联这篇论文

在数据集的README.md中引用arxiv.org/abs/2610.13912，即可从此页面链接到该数据集。

引用这篇论文的Spaces0

没有Space关联这篇论文

在Space的README.md中引用arxiv.org/abs/2610.13912，即可从此页面链接到该Space。

包含这篇论文的合集0

没有合集包含这篇论文

将这篇论文添加到合集 (https://huggingface.co/new-collection)，即可从此页面链接到该合集。

相似文章

从现有方法到新研究思路：递归自我改进的两种视角

arXiv cs.AI

本文提出一个统一的九维分类框架，从更新目标、组织方式、调度范围及反馈选择四个维度梳理现有递归自我改进（RSI）方法，并探讨如何借鉴传统深度学习与进化计算机制启发新的RSI研究思路，同时综述相关评估基准。

统一多模态模型中的递归自我改进

arXiv cs.CL

该论文提出递归自我改进（RSI）框架：在训练循环中，统一多模态模型的文本能力与视觉能力相互生成训练数据，并由程序执行提供经过验证的监督信号。在图表任务上，借助新提出的 BasicChartBench 基准进行评测，四轮 RSI 迭代将性能从 45.7% 提升至 60.2%，同时经验证程序占比从 48.9% 升至 95.2%。