#自进化

直播预告！聊聊自我改进、递归自我改进（RSI），以及与自博弈的关系

大模型的强化学习后训练依赖人工整理的题目和固定的训练环境。模型变强之后，现有环境的难度和多样性跟不上，训练收益逐渐减少。 SPIRAL（ICLR 2026）：与不断变强的自己对弈 论文：SPIRAL: Self-Play on Zero-Sum Games Incentivizes Reasonin

万字长文带你读懂 RSI（自进化，Self-Evolving）

原文：https://prism-shadow.github.io/awesome-rsi/#blog/understanding-rsi RSI（Recursive Self-Improvement）这个概念最近热度很高。与之相近的表述还有自进化、Self-Evolving、Self-Improv

Agent 安全也能自进化？SafeEvolve 让 Harness 与 Policy 从安全经验中共同进化

随着大模型Agent逐渐具备自主规划、工具调用、网页访问和多步任务执行能力，Agent安全正在面临新的挑战。 过去，安全对齐往往主要关注模型最终输出是否有害，例如是否拒绝危险请求、是否生成不当内容。但对于能够与外部环境持续交互的Agent而言，风险可能发生在最终回答之前，也可能隐藏在中间决策、工具调

直播预告！聊聊 EnvHarness，Agent 和环境如何“左脚踩右脚”实现自进化

当前 Agent 训练面临两难： 传统环境静态僵化，Agent 易过拟合； 完全合成环境又易产生逻辑幻觉。 而 Agent 本质上是一个不断与环境（Environment）进行交互的主体：感知反馈、做出决策、影响环境。在自进化 Agent 的主流范式中，往往高度依赖 Agent 在环境中的单向探索来

直播预告！从 Harness 看 AI4AI 如何实现

我们能否在不更新任何模型参数的情况下，把强模型的能力迁移给弱模型？ 我们通常认为，更强的 AI 能力需要通过蒸馏，OPD等各种方式训练更弱的模型，但在 Harness 的热潮下，一个更本质的问题值得探索：如果完全不改模型参数，强模型能不能在 test time 直接帮弱模型“搭好思考方式”？ Har

微软最新提出面向 AI tutor 训练的学生模拟器 StudentSim：从真实学习记录构造 feedback model

论文标题：StudentSim: Training LLM-based Student Simulators 论文链接：https://arxiv.org/abs/2609.01591 Huggingface Paper 主页：https://huggingface.co/papers/2609.0

当 Harness 也能被 AI 自动设计：AI4AI 正在重写小模型变强的方式

今年，AI 的竞争正在悄悄换一个方向：决定一个 AI 系统能力的，开始不只是模型本身，还有模型外面的那套“工作方式”。 过去，我们想让一个模型变强，通常意味着继续训练它：更多数据、更好的反馈、更大的计算量，本质上都是在改变模型内部的参数。但 Agent 时代正在让另一条路线变得越来越重要：模型可以完

Harness基模JIT-27B，为每个任务写一套“Claude Code”

Harness基模JIT-27B，为每个任务写一套“Claude Code” Agent benchmark 通常把模型视为能力的主要来源，但同一模型只要更换记忆组织、规划协议、工具暴露方式或错误恢复流程，最终表现就可能跨越一个明显的档位。 这样的差异来自 Agent Harness：它定义模型在什

关于 RSI 的一些思考：Test-Time 沉淀与 Training-Time 演化的架构终局

近期最火的一个词，当属 RSI，全名为 Recursive Self-Improvement。简单来说，就是让 LLM / Agent 不仅完成任务，还能利用自己产生的经验、数据、反馈甚至代码，迭代地改进自己。 实际上类似的术语非常多：self-evolve、self-play、self-refin

直播预告！模型的“什么经验值得被看见”？一起聊聊 LOPD：不再手动设计 OPSD 特权信息

学术社区是否已经对层出不穷的 On-Policy Self-Distillation (OPSD) 特权信息变体感到审美疲劳？ 当 answer、trajectory、reflection、skill 被不断设计得更精巧，LOPD 反过来追问一个更根本的问题：我们为何仍要替模型规定“什么经验值得被看

Infra 也能自进化？Φ-Bench 深度评测：大模型距离“AI 工程师”还有多远？

过去几年，大语言模型（LLM）的能力快速提升。从写代码、完成复杂推理，到辅助科研和软件开发，模型正在逐渐成为越来越强大的工程助手。 但一个更深层的问题正在出现：如果模型能够帮助人类构建软件，大模型是否也能够反过来优化支撑自身运行的基础设施？ 换句话说：Can Large Language Model

自进化也能“左脚踩右脚”？Google提出 EnvHarness：环境自进化，倒逼 Agent 疯狂进化！

Agent绝大部分时候都运行在环境当中，那么在agent进化的过程中，有没有办法让环境也进化呢。 论文：EnvHarness: Awakening Static Worlds for Agent Learning 链接：https://arxiv.org/abs/2608.19880 主页：http

AI for AI 的前世今生： 从进化、自进化与元进化，迈向递归自我改进（RSI）

导语：当代码智能体（Code Agents）与测试床工程（Harness Engineering）飞速发展，AI 不再仅仅是被动接受指令的工具。AI for AI (AI4AI) 正在经历一场深刻的范式演变，其核心目标已明确指向人工智能领域的终极愿景之一——递归自我改进（Recursive Self

Kimi K3、Qwen3.8-Max 官方评测都在用！伯克利硬核测试揭穿 AI 自进化假象

TL;DR Auto-Research 系统正在快速发展，但当前多数成功案例建立在一个重要前提上：候选方案可以被廉价、快速、明确地验证。只要评分足够便宜，扩大采样与搜索就能持续提高找到好答案的概率。 真实机器学习研究并不总具备这个条件。完整训练昂贵，反馈存在延迟，单次实验只能提供部分证据。系统不仅要