SwarmRSI：科研Agent集群如何实现递归自进化

当单个AI科研智能体还在为"实验失败到底是假设错了还是代码写错了"而苦恼时，一支研究团队已经把目光投向了更宏大的命题：让一群科研Agent共享实验记忆、互相借用失败程序中的有用组件，甚至把积累的科研状态迁移到全新任务上。这就是SwarmRSI框架的核心思路——通过群体协作实现递归自我提升（Recursive Self-Improvement, RSI）。

据B站AI前沿播客的解读，这篇论文在OpenProblems、NatureBench和MLEBench Lite三个基准的118个任务上全面刷新SOTA，更关键的是，它生成的程序已经被生物学家用于真实的肠道和脾脏免疫研究。这意味着AI科研Agent的输出不再局限于刷榜，而是开始产生实际科学价值。

单智能体科研系统的两大结构性缺陷

论文精准指出了当前科研智能体的两个核心痛点。第一，失败实验的归因困境：当一次实验没有取得好结果，研究者无法判断问题出在假设本身不合理，还是代码实现有缺陷。很多有潜力的假设可能因为一次糟糕的实现被永久放弃。第二，中间结果的浪费：那些整体表现不佳的程序中，往往藏着在某个子任务上表现优异的组件，但由于整体得分低，这些组件被直接丢弃，无法被其他智能体复用。

这两个痛点的根源在于，现有单智能体系统大多是单线程推进——一个方向走不通就换下一个，不会保留中间结果供其他路径参考。而SwarmRSI的作者认为，这两个问题本质上源于科研过程中两个相互依赖的关系：假设的价值高度依赖其实现方式和测试严谨性；中间结果的价值则取决于它能否与后续发现或实现相结合。

共享图：把每次实验都变成可继承的科研资产

SwarmRSI的核心是一个共享图结构，记录所有可继承的科研状态——每个智能体的假设、程序、实验证据和未解决需求。每一步研究状态都从共享图中组装，所有智能体共同维护这个不断增长的科研知识库。

围绕共享图，框架设计了三个核心模块：

反馈引导的群体变异

智能体基于群体实验反馈修改假设或程序。修改分为两种模式：H变异（修改假设）和P变异（不改假设、只修复实现）。这个设计直接回应了第一个痛点——通过区分两种变异模式，并参考其他智能体的反馈来判断修改方向，系统能在失败时做出更明智的决策。据播客解读，在NatureBench任务上，去掉H变异会使追平SOTA比例下降10个百分点，去掉P变异则下降13.3%，说明两种模式互补且程序修复的贡献更大。

互补群体重组

针对第二个痛点，重组模块提供两种操作：假设复用（将其他智能体程序中匹配未解决需求的基础程序适配到当前假设上）和程序重组（交叉组合不同程序在互补子任务上的优势组件）。整体表现不佳的程序，只要在某个子任务上有优势，其组件就不会被丢弃。消融实验显示，关闭重组操作会使超越SOTA比例从15.6%直接降到7.8%，几乎砍半。

递归群体进化

该模块决定下一步是修改假设还是修改程序，使用折扣UCB指标对两个前沿集合打分，综合考虑token成本、实验次数和未解决需求压力。每次尝试无论成败都会更新共享图，下一个智能体基于更新后的状态继续推进——这正是"递归"的体现：每一次实验都在优化后续智能体的起点。

折扣UCB（Discounted UCB） 是一种用于平衡探索与利用的经典多臂老虎机算法变体。标准UCB通过为每个选项计算“平均收益 + 置信上界”来选择动作，而折扣UCB则对历史收益施加指数衰减权重，使近期观测比早期观测更重要。在SwarmRSI中，折扣UCB被用来对“修改假设”和“修改程序”两个前沿集合打分，综合考量token成本、实验次数和未解决需求压力。折扣机制的意义在于：随着共享图不断增长，早期实验的统计信息可能过时，近期反馈更能反映当前假设或程序的质量，因此系统应更信任新数据。这种设计让群体进化决策具备动态适应性，避免被陈旧经验拖累。

多基准SOTA与跨任务迁移的惊喜

据播客介绍，SwarmRSI在三个基准上均取得领先。以DeepSeek^广告 V4 Pro为backbone时，OpenProblems平均得分74.2，超过此前SOTA的67.1；NatureBench追平SOTA比例比同backbone的Claude Code高21.1个百分点；MLEBench Lite奖牌率达81.8%。切换至Gemini 3.1 Pro Preview后，OpenProblems得分进一步提升至76.2，说明性能不依赖特定模型。

更值得关注的是搜索轨迹分析：后续优化将35%的失败实现转化为新的最优有效程序，而对比方法AEDA和ARBOR分别只有12%和5%。在NatureBench的90个任务中，77%的最终最优程序至少来自一次重组、交叉或反馈触发的更新。

真正展现"递归"潜力的是跨任务迁移实验：三个源任务上继承的科研状态，在12个留出的NatureBench任务上，平均基值从冷启动的12.01提升到21.89，追平SOTA比例从41.7%跃升至86.1%。这意味着群体积累的科研经验具有可迁移性，解决的任务越多，后续新任务的起点越高。

跨任务迁移（Cross-task Transfer） 在本文语境下指将一组源任务上积累的共享图状态（包括假设、程序组件、实验证据等）作为先验，注入到全新目标任务的研究起点中。与传统迁移学习不同，这里迁移的不是模型权重，而是结构化的科研中间产物：哪些实现方式有效、哪些子任务组件可复用、哪些未解决需求值得关注。实验中，三个源任务继承的科研状态使12个留出任务的冷启动基值从12.01提升到21.89，追平SOTA比例从41.7%升至86.1%。这验证了科研经验的可迁移性——解决的任务越多，共享图越丰富，后续新任务的起点就越高，形成正向循环。

生物学家已经用上了

据播客和论文案例，SwarmRSI生成的两个程序已被生物学家实际采用。在肠道细胞感染相关的免疫表达研究中，生成的程序在降维前先减去每个感染细胞的健康邻居均值，处理后的表征在蠕虫感染第10天的MHC-II得分显著优于沙门氏菌感染，调整协变量后的Spearman相关系数达0.77和0.69，高于RNA PCA的0.65和0.40。在脾脏空间转录组分析中，程序将表型衍生的解剖先验与解剖约束的马尔可夫随机场结合，将指标从0.045提升到0.102。

一个意外发现是：手动标注的边缘区中20%-21%的B细胞处于富含髓系红系的微环境中，匹配位置和表型后，此前报道的B220和CD79B水平变化在三个图像中并未呈现一致趋势，B220的效应甚至改变符号。这类人类研究者可能忽略的线索，恰恰体现了AI科研Agent的独特价值。

Spearman相关系数 是一种非参数秩相关系数，用于衡量两个变量之间单调关系的强度，取值在-1到1之间，绝对值越接近1表示单调关系越强。与皮尔逊相关系数不同，它不要求变量服从正态分布或存在线性关系，因此适合处理生物医学数据中常见的非正态、含异常值或有序变量。在本文的肠道免疫表达研究中，SwarmRSI生成的程序处理后表征的MHC-II得分与感染天数等变量的Spearman相关系数达0.77和0.69，高于RNA PCA基线的0.65和0.40。这一指标被选用来评估表征质量，是因为它关注排序一致性而非绝对数值，更贴合下游生物学分析对样本相对顺序的需求。

局限与展望

论文的失败分析标注了644次失败尝试，其中93.3%是"忠实实现了修改但没有带来提升"，仅6.7%是实现或执行问题。这说明大部分失败的根源在于修改思路本身缺乏价值，未来需要更精准的修改价值预判机制。此外，当前框架仍依赖较高token预算，主要适用于有明确评估指标的编码类科研任务，跨领域知识复用和异构backbone分工也是值得探索的方向。

从更广的视角看，SwarmRSI展示的"群体协作+知识积累"模式，对软件工程、药物研发、材料设计等需要大量试错且中间结果有复用价值的领域都具有借鉴意义。递归自我提升从单智能体的能力优化，扩展到了群体科研状态的进化——这或许是AI辅助科研走向主流范式的重要一步。