RSI-Anything：用世界模型解锁AI的递归自我改进

递归自我改进为何长期停留在概念阶段

递归自我改进（Recursive Self-Improvement, RSI）一直是AI研究中极具吸引力的目标：让系统把每一次与环境的交互经验转化为可持续的能力提升。但现实中，这条路径面临两个结构性障碍。

第一个障碍是外部反馈昂贵。无论是代码测试、科学实验还是真实用户操作，获取可靠的反馈信号往往意味着大量的计算、时间或物理资源消耗。第二个障碍更为隐蔽——当策略（policy）本身在不断进化时，系统赖以预测结果的世界模型（world model）可能逐渐失准。换句话说，模型越是改进，它对自身行为后果的判断就越容易偏离现实。

RSI-Anything 这项研究正是针对这两个痛点提出的通用框架。它构建在 JEPA-Anything 之上，核心思路是用预测性世界模型来指导两件事：选择什么样的动作，以及挑选哪些数据用于学习。

JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）是由 Yann LeCun 团队提出的一类世界模型架构范式。与传统的生成式模型不同，JEPA 不试图在像素或原始输入空间中预测未来，而是在抽象的嵌入空间中预测目标表征。这一设计的优势在于：预测任务更专注于语义层面的结构信息，避免了对不可预测细节（如纹理、噪声）的无效建模，从而降低了计算代价并提高了表征质量。JEPA-Anything 是对该架构的通用化扩展，目标是使其适配多种模态与任务类型。RSI-Anything 以此为基础，将 JEPA 风格的预测性世界模型嵌入自我改进循环，使智能体能够在行动前先在嵌入空间中"模拟"结果，以此筛选高价值动作与训练数据，而无需为每次判断都支付真实环境交互的代价。

框架如何让改进“可持续保留”

RSI-Anything 的运作逻辑可以拆解为几个相互咬合的环节。观测到的反馈同时驱动两条改进路径：一是策略或工作流本身的优化，二是世界模型的条件性自适应。也就是说，模型不仅在学如何行动，也在学如何更准确地预测行动的后果。

关键的创新在于“保留机制”。框架引入了组件检查与兼容性检查，用来决定一对更新后的「策略—模型」是否值得保留。这一步相当于给递归改进加了一道质量闸门——只有通过验证的更新才会被固化为持久的系统能力，从而避免模型在自我迭代中走向发散或退化。

这种设计直接回应了前面提到的两个障碍：预测性选择降低了对昂贵外部反馈的依赖，而条件性世界模型自适应配合保留检查，缓解了策略进化导致模型失准的问题。

跨领域的实验结果说明了什么

RSI-Anything 最有说服力的地方在于它在多个差异极大的领域都展现出实质性收益，而非局限于单一基准。

代码修复

在保持编码器（coder）固定的前提下，代码修复的成功率呈现出清晰的阶梯式提升：使用静态验证器时为 26.3%，引入预测性选择后升至 29.2%，再经过世界模型自适应后达到 31.2%。更重要的是，这些提升是在相近的测试资源消耗下取得的，说明收益来自更聪明的选择而非更多的算力堆砌。

图形界面操作

在 GUI 任务评估中，RSI-Anything 不仅提高了任务完成率，更把平均操作步数降低了 39.4%。对于自动化操作智能体而言，更少的动作意味着更高的效率和更低的出错累积风险。

科学规划与反应优化

在连续五个策略版本的迭代中，实验室规划（laboratory-planning）得分从 21.80% 翻倍以上，提升到 46.01%，直观地展示了递归改进的累积效应。

在反应优化任务中，RSI-Anything 在相同的 40 次实验预算下，取得了 96.15% 的平均最佳观测产率，显著优于贝叶斯优化的 82.16%。这是一个值得关注的对比，因为贝叶斯优化长期以来是实验设计领域的强基线。

贝叶斯优化（Bayesian Optimization）是一种针对昂贵黑盒函数的序贯实验设计方法，广泛应用于化学合成、材料科学和超参数调优等场景。其核心思想是用概率代理模型（通常为高斯过程）对目标函数的形状建立置信估计，再通过采集函数（如期望改进 EI）在"探索未知区域"与"利用已知优势区域"之间做出权衡，从而以尽可能少的实验次数逼近最优解。由于每次真实实验（如化学反应）成本高昂，贝叶斯优化长期被视为该类任务的黄金基线。RSI-Anything 在相同 40 次实验预算下以 96.15% 对 82.16% 的产率超越它，意味着预测性世界模型所学到的结构化先验，在某种程度上比高斯过程的统计先验更能捕捉反应优化任务的内在规律——这一结论若能在更广泛的化学空间中得到验证，将具有显著的实用价值。

从工作流进化到科学假设生成

研究还给出了一个端到端的免疫科学应用案例，把工作流演化、预测建模与治疗性假设生成串联起来。这类应用的意义在于，它展示了递归自我改进不只是提升某个孤立指标，而是有潜力推动完整科研链条的自动化——从实验规划、结果预测到新假设的提出。

这也让 RSI-Anything 区别于那些仅在抽象基准上刷分的工作。它试图证明的是一种可迁移的能力：预测性世界模型加上经过验证保留的系统更新，能够在差异巨大的真实环境中共同支撑持续的自我改进。

价值与待观察之处

RSI-Anything 的核心贡献，是把“递归自我改进”这一偏理论的目标，拆解成了一套可工程化、可跨领域复用的机制：预测性选择负责降本，条件性模型自适应负责保持准确，组件与兼容性检查负责稳定保留。

不过从公开信息看，仍有一些问题值得后续关注。例如保留机制在更长的迭代链条上是否依然能防止退化、世界模型自适应的计算开销如何、以及这些收益在更开放的真实场景中能否复现。对于关注 AI 自主学习与智能体长期演化的从业者来说，这项工作提供了一个值得深入研究的框架范式。

背景补充

条件性自适应（conditional adaptation）与无条件的持续学习有本质区别。无条件持续学习面临的核心挑战是"灾难性遗忘"（catastrophic forgetting）：神经网络在新数据上更新参数时，往往会覆盖此前在旧数据上习得的知识，导致整体性能退化。RSI-Anything 的保留机制通过在更新被固化之前执行兼容性检查，本质上是在递归改进循环中植入了一个反退化卫士。只有当新的「策略—模型」对在兼容性测试中证明自身不损害已有能力时，更新才会被写入系统。这一设计思路与持续学习领域的"弹性权重巩固"（EWC）或"进步性神经网络"（PNN）等方法在目标上一脉相承，但实现路径上更贴近系统级的组件验证，而非参数级的正则化约束。