标签
Safe Personal RSI 为自我改进的个人智能体引入了一个更新门控机制,拒绝 21 项中的 20 项高风险的自我指令修改提议,同时允许安全的修复,使 Kicker 健康助手上 GPT-5.6 Luna 修复的攻击违规率从 10.7% 降至 0%。
论文提出了“解析度假说”,认为智能体进化停滞的原因并非候选方案质量不佳,而是有噪声的评估无法可靠地识别真正的改进。在七种进化方法和六个模型(超过1000万次 LLM 调用)上的实验表明,候选选择的效果并不优于随机选择,而已发表方法的排名差异往往落在运行间方差之内。
该论文提出了 CompoundingKernel,一个通过搜索从零编写 GPU kernel 的自我改进智能体系统,在 SOL-ExecBench 的 L1、L2 和 Quantization 榜单上排名第一,相比参考基线加速 4.40 倍。研究表明,按问题维护的 kernel 归档配合 LLM 控制器和外部正确性校验,效果优于手工编码的 UCB 式树搜索;限制此类搜索扩展规模的是可靠的测量吞吐量,而非智能体数量。
LangChain CEO Harrison Chase 在 Interrupt London 大会上的演讲将智能体拆解为模型、框架和上下文三个部分,展示了如何分别通过 LangSmith Fine-Tuning、LangSmith Engine 和记忆工具来提升每一层——最后提出了一个北极星愿景:一个能自己发现错误、自己编写评估用例并提出修复方案的智能体。
GEPA-Curator 是一个框架,通过过滤含噪的失败信号并检索先前成功的轨迹,改进智能体提示词优化,在 GoBrowse、ALFWorld、AppWorld 和 τ-bench 等基准测试中,相较于 GEPA 和 ACE 分别实现了最高 20.7% 和 21.2% 的性能提升。
RSIHub 是一个开源框架,为智能体进化(agent-evolution)研究提供可组合的共享基础设施,标准化方法的构建、比较与扩展,并在 Terminal Bench 2 和 τ3 Banking 上评测了 AHE、Hyperagents、A-Evolve 和 GEPA 等方法。
提出一个无奖励、无裁判、无答案键的自改进代理框架,通过双层循环在小型精确DSL上进行算子归纳,实现精确问答能力的自我扩展,并在多个领域验证其可靠性与跨模型迁移能力。
该推文介绍了一项关于自我改进智能体的研究,将运行框架的自我修改方法映射为进化算法,并提出准入规则:只有在全新的独立任务上以一定幅度超越当前版本时,才接受修改,以防止过拟合与技能遗忘。
AWS 和 HSBC 的研究人员提出了 Double Ratchet 方法,评分器仅从 10 个标注样本出发,与自我改进智能体共同进化,在代码、SQL 和报告生成任务上达到了与真实标签监督相当的效果。
推文介绍了一个关于递归自我改进(RSI)的精选研究合集,涵盖从STaR、Self-Rewarding LMs到Promptbreeder和Automated Design of Agentic Systems等关键论文,梳理了RSI从自生成训练到自我修改代码代理的演进脉络。
推荐介绍 RSIGym,将递归式自我改进(RSI)视为系统工程问题,为研究智能体提供训练、推理、评测与沙箱即服务,使 Opus 5 在 SWE-bench Verified 上从 17.67% 提升到 50.33%。
提出一种自进化 agent harness 框架:同一个冻结模型先作为 solver 求解任务,再作为 proposer 直接编辑自身 harness 的代码;在多任务上完成进化后,于分布外基准上显著超越 Codex(提升 12.64 分)并达到相当的表现水平。
MERID 是一个多模态抑郁症分析框架,通过经验驱动的递归自我改进智能体自动探索和优化检测流水线,在多个抑郁症基准上取得领先结果。
AREX-2 通过在机器学习和算法编程任务上合成的长时程反思轨迹进行训练,推进 LLM 智能体的自我改进。基于 Qwen3.8-27B 构建,它在 MLE-bench Lite(81.8)和 Frontier-CS(70.7)上取得了优异成绩,并能迁移到 BrowseComp、HLE、GAIA 和 DeepSearchQA 等深度研究任务。
斯坦福+牛津关于 MedRSI 的论文显示,医疗AI智能体可以通过在新患者身上测试新能力并使用防护栏来保持准确性,从而从错误中自我改进。
Pace 详细介绍了他们改进保险文档 AI 提取代理的方法,通过优化基于历史数据的子代理委派、模型路由和上下文,从而降低成本和延迟。
Stanford 大学发布了关于自我改进 AI 代理的完整免费课程,为 AI 发展提供易于获取的教育资源。
SkillGLoW 表明,自我改进的智能体通过存储可复用的任务解决流程,而非记忆每一个过往任务,实现了更优的性能,获得了 17.2 分的提升,且库体积仅为原来的 1/3.6。
本文识别了自我改进代理中LLM作为评判者系统的失败模式,并介绍了PROCTOR,一个具有确定性防护机制的架构来缓解这些问题。
SkillGLoW 是一种用于LLM代理的方法,它将技能组织成程序族,以增强在长时任务上的自我改进,相比基线展示了显著的性能提升。