AITOP

RSI

共 10 条相关 AI 资讯
8月25日
00:33
8月23日
06:33
06:33elvis@omarsar0
精选
This paper delves into the challenges of recursive self-improvement (RSI) in AI, highlighting issues like lack of creativity and getting stuck in local optima. It presents insights on agents' post-training strategies and proposes solutions with notable improvements on GSM8K and HumanEval tasks. Read more at arxiv.org/abs/2608.19072.
论文Recursive Self-ImprovementAI ResearchTraining Strategies
推荐理由：Read this paper if you're interested in understanding the limitations and potential solutions of RSI in AI, especially its impact on training strategies. It offers valuable insights compared to other works in the field.
原文
8月10日
23:14
7月30日
08:56
08:56IT之家（博客/媒体）
79°
翁荔因病从Thinking Machines裸辞仅48小时后，随即重返OpenAI，负责递归自我改进（RSI）模型研发。RSI旨在让AI自主设计、训练和评估下一代模型，OpenAI计划在2026年9月前交付一个能独立承担研究问题的“自主AI研究实习生”。翁荔曾在OpenAI领导Safety Systems团队至80多人，并担任安全研究副总裁，其回归被视作OpenAI对ASI路径的押注。她三周前发布的博客系统梳理了RSI的工程化思路，主张从模型外部的Harness层切入自我改进。
行业翁荔OpenAIThinking Machines
事件专题
推荐理由：翁荔两天前刚裸辞就回OpenAI带RSI项目，用AI研发AI，目标2026年出自主研究员，这剧情比小说还刺激。
原文
7月14日
03:24
03:24elvis@omarsar0
actAVAai推出Cura，一个1T参数的医疗智能体模型，采用递归自我改进（RSI）训练。该模型专为长临床和健康管理流程设计，推理成本比前沿模型低20-100倍，性能相当。企业可定制并拥有模型。试用可获得20美元信用额度。
AI模型CuraactAVARSI
推荐理由：1T参数的医疗模型，推理成本比前沿模型低20-100倍，性能却差不多，企业还能自己定制，医疗AI这波挺实在。
原文
7月8日
11:58
11:58官方账号Latent Space (swyx)（博客/媒体）
OpenAI 研究员 Lilian Weng 发布了一份综述，汇总了 35 篇关于递归自我改进（RSI）控制工程（Harness Engineering）的论文。该综述梳理了不同控制策略和安全性分析方法。对理解 AI 自我改进的风险与调控有参考价值。
论文Lilian Weng论文综述RSI
事件专题
推荐理由：Lilian Weng 帮你扒了 35 篇关于 RSI 控制工程的论文，想了解 AI 怎么自我调控又不跑偏的，直接看这份总结就行。
原文
7月7日
15:55
6月12日
04:12
04:12Richard Socher@RichardSocher
精选
Richard Socher 宣布其公司 Recursive 在递归自我改进超级智能（RSI）方向取得里程碑：一个自动化科学发现系统在三个 AI 基准测试（NanoGPT speedrun、NanoChat、Sol-ExecBench）上取得 SOTA 结果。该系统由 AI 自主生成代码和想法，无需人类团队发明，实现了从构思到验证的闭环。Recursive 已开源该系统的发现成果，强调其解决方案是创造性的、良性的，而非危险或简单的优化。这标志着向“尤里卡机器”迈出了第一步，未来可指向任意难题自动产出发明。
AI模型自动化科研RSI开源/仓库
推荐理由：AI 自动化科研终于有了可复现的实例——Recursive 的系统自己写代码、跑实验、拿 SOTA，做 AI 研究的团队值得看看这种“AI 做 AI 研究”的范式是否可行。
原文
6月8日
14:17
14:17Gary Marcus@GaryMarcus
精选
Gary Marcus 针对 Anthropic 近期关于接近递归自我改进（RSI）的暗示提出质疑。他引用了一项名为 Meta-Agent Challenge（MAC）的基准测试，该测试要求 AI 代理在没有人类设计帮助的情况下，自主构建另一个能完成隐藏测试任务的代理。结果显示，当前 AI 代理在数学、科学问答、竞赛编程、软件修复等五个领域，通常无法超越人类设计的强代理方案，仅有少数闭源前沿模型（如 Claude）表现尚可。Marcus 指出，真正的自主不仅需要工具使用，还需预算意识、失败恢复、压力下的克制以及设计迭代的纪律，而当前代理只是强大的执行者，缺乏工程所需的可靠判断力。
AI模型RSIMeta-Agent ChallengeAnthropic
事件专题
推荐理由：Gary Marcus 用 Meta-Agent 挑战戳破了 Anthropic 的 RSI 叙事，关心 AI 自主性和工程可靠性的开发者值得一读，看完会对当前代理的局限性有清醒认识。
原文
6月5日
08:51
08:51Gary Marcus@GaryMarcus
精选
Gary Marcus 对 Anthropic 关于递归自我改进（RSI）的博客提出关键批评。他指出，博客中展示的成果属于 RSI（AI 作为人类可用的编码工具），而非 AGI（能自主完成人类所有工作的机器）。Marcus 强调，这些结果来自神经符号系统（如 Mythos 和 Claude Code），并非纯规模扩展的胜利，而是工具和符号系统的胜利。他认为，深度学习确实遇到了瓶颈，神经符号 AI 拯救了它，而实现 AGI 需要新思路，而非仅靠代码优化。因此，我们不必过度恐慌。
行业AGIRSI神经符号系统
事件专题
推荐理由：Gary Marcus 一针见血地拆解了 Anthropic 博客的过度乐观，做 AI 研究的团队和关注 AGI 进展的读者值得一看，避免被标题误导。
原文