Event ·Single source

Google 论文提出持续递归自我改进方法,Self-Improvement Memory 让 harness 优化跨模型迁移

Google 发表一篇关于递归自我改进(RSI)的论文,提出在 harness 层面实现持续递归自我改进的方法,并配套设计了 Self-Improvement Memory(SIM)记忆系统。SIM 将过去的编辑按其解决的 harness 问题分组,每条编辑存储修改理由、预测结果、观察结果和评估上下文,proposer 和 selector 在做出新改动前都会读取这份记忆。实验显示,harness 优化器记住每次历史编辑的原因后,10 次持续运行中有 9 次得到改进。论文也指出了跨模型迁移的常见问题:一个由 Opus 演化出的 harness 在 Gemini 上起始仅 68.41 分,低于原始 seed harness 的 73.89 分。在四个领域的评测中,包括 Terminal-Bench 2.1 到 Terminal-Bench 4 的跨数据集测试和 Opus 到 Gemini 的迁移场景,SIM 在六个跨数据集和四个 Opus 到 Gemini 的设置中优于仅依赖 harness 本身继续演化。在十次编码运行中,SIM 平均带来 2.36 分的提升(p=0.003)。论文的核心观点是:如果要让 harness 自动演化,就应该把每次编辑的原因和结果与代码一同存储,维护一个功能性、自适应且结构化的持久记忆系统。

Current read

搞 harness 自动演化的人应该看看这篇。它用数据证明了一个朴素的道理:光存代码不够,得把每次改动的理由和结果也存下来。SIM 记忆系统在跨模型、跨 benchmark 的 10 个设置里都赢了,换模型不崩。做 agent 工程的人能直接抄这个记忆设计。

2 sources47° AI heatLast updated 2026/11/17 14:39:02

Evidence

2 sources
Related source 1arXiv cs.AI
View source

Conflict check

Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.