Improvement（改进）在当前 AI 语境下，核心指模型或智能体通过反馈、验证与再训练不断提升自身能力的过程，其中最受关注的是“递归自我改进”（Recursive Self-Improvement，RSI）——即 AI 参与改进 AI 本身，形成能力增长的闭环。过去被视为远期假设的 RSI，近几个月正从讨论走向可观察的早期实践。
Recursive Self-Improvement 的近期进展
当前焦点与观察点
围绕 Improvement 的讨论正在分化。乐观一方如投资人 Sarah Guo 在推文中提醒不要低估递归自我改进，认为其进展速度可能超出市场预期；The Information 也以Recursive Self-Improvement: A New Perspective为题跟进这一叙事。审慎一方则强调，真正的瓶颈在于验证与治理：SWE-Prometheus 基准用 60 个代码仓库评测智能体的工程治理能力，试图量化“改得快”之外“改得对”的能力；Agent Arena 新增的 Pareto 前沿视图则把任务净提升与成本放在同一坐标系，提醒改进必须计入代价。工程侧的效率优化同样活跃，Sol-H3 对 MiniMax-H3 推理实现云端最高 30 倍提速、边缘单卡可运行，dair-ai 一周精选收录的 HySparse2 与 Harness-Zero 等 7 篇论文也体现了这一方向。后续值得观察的三个问题：递归改进循环能否在开放环境中稳定收敛、验证器自身的可靠性如何保证，以及硬件—模型闭环会否引发新的算力集中与安全争论。