- 论文公开站arXiv
Turbo Harness：实例自适应框架优化
Turbo Harness: Instance-Adaptive Harness Optimization
自动化搜索有效框架是实现智能体递归自我改进的重要一步。现有优化通常产出统一应用于所有任务的单一全局框架，但适用于某类任务的框架未必通用。
- 资讯公开站rss_arxiv_cs_ai
经验时代的自发现强化学习：学习历史是资产还是负担？
Self-discovering RL in the Era of Experience: Is Learning History an Asset or a Burden?
arXiv:2609.35897v1 公告类型：新 摘要：通往通用智能的递归自我改进（RSI）研究分为两条路线：宏观层面的语言模型扩展，以及“经验时代”中由交互驱动的原则。然而，任何自我改进架构最终都依赖于其底层优化引擎：如果通用智能需要从有根基的交互中学习，那么强化学习（RL）更新规则本身就必须具备累积适应能力。尽管算法自发现已产生 Disco103，其超越了 PPO 并达到 SOTA 基准表现，但其内部更新机制仍是一个未被审视的黑箱…
- 论文公开站arXiv
RRSI：智能体框架的正则化递归自我改进
RRSI: Regularized Recursive Self-Improvement of Agent Harnesses
摘要显示，LLM 智能体的能力很大程度上由其运行框架（提示、控制流、工具、记忆与上下文管理）放大，近期方法通过迭代提出并筛选框架组件的编辑来实现智能体系统层面的递归自我改进，但容易记忆训练任务、在分布外基准上增益消失。作者提出 RRSI，在候选提出与选择环节引入正则化：提出器采用时间退火预算并鼓励探索未走过的演化路径，选择器配备评论器与剪枝器过滤基准特定、过小、过贵或失效的改动。在编码、智能体工作区与工程设计等八个基准上，摘要称其在演化…
意义：为智能体框架自动演化提供抗过拟合思路，提示开发者关注可复用机制而非基准特定调优。
- 论文公开站arXiv
ScienceBuddy：面向交互式科学智能体的递归自改进
ScienceBuddy: Recursive-in-Recursive Self-Improvement for Interactive Scientific Agents
摘要显示，ScienceBuddy 是一个交互式科研工作空间，将可持续改进的科学智能体嵌入研究者日常工作流，把研究者的请求、反馈与执行证据转化为任务和评估标准以支持持续学习。其核心为「递归中的递归」自我改进范式：内层递归在模型固定下改进 harness，外层递归在改进后的 harness 下训练模型，两者相互促进。案例研究覆盖四个科学任务族，并以研究产品形式开源发布。
意义：将 agent 脚手架演进与模型强化学习嵌套耦合，为持续自我改进型智能体提供了可复用的工程范式与开源产品参考。
- 论文公开站arXiv
递归经验-工作记忆演化：面向长周期智能体框架的自我改进架构
Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses
摘要介绍Recuris架构，通过工作记忆追踪任务进度并引导技能选择，将执行转化为结构化证据，定位失败至记忆组件。固定元代理将证据转化为局部验证的更新，形成有界递归记忆演化循环。在四个长周期基准和十个模型上，35/37对任务成功提升，如tau-bench上GPT-5.6 Sol提升17.8点，Claude Opus 5提升15.6点至87.9%。
意义：为长周期智能体提供可扩展的递归自我改进机制，显著提升任务成功率，对AI代理的长期自主性发展具有重要意义。
- 论文公开站arXiv
Prime Agent：一种自我改进的递归语言模型工具链
Prime Agent: A Self-Improving RLM Harness
Prime Agent是一个开源工具链，用于长时程评估和编码智能体工作流。它采用递归语言模型抽象，通过持久化IPython REPL进行程序化上下文处理，并持续保存历史、记忆、技能和子智能体配置。递归子智能体可直接通信，人类可通过代理视图监控会话。该工具标准化执行、恢复、验证和资源核算，将策略构建留给模型，防止工具链故障影响模型表现。在ARC-AGI-3上，其RHAE Best@1从30%提升至95.5%，并在多项任务上达到或超过其他主…
意义：提供标准化工具链，减少环境故障干扰，提升模型真实能力评估，对长时程智能体开发具有参考价值。
- 论文公开站arXiv
幻影增益：对照实测零基准审计自我改进
Phantom Gains: Auditing Self-Improvement Against a Measured Null
摘要显示，评估语言模型自我改进时，追踪个体问题得失易受测量伪影影响。对Qwen3-8B进行三轮LoRA自训练，与冻结对照比较，发现七种测量失败，每种在无对照时都会反转报告结论。贪心解码产生的记录在未训练模型上制造能力变化，扩展统计量错误归因。提出逐问题精确检验，在FDR控制下未检测到任何保留复制上的效应。外部蒸馏改善基础模型难及问题，而三种自训练未现此效，回归分析拒绝不对称性源于蒸馏总体增益更大（p<10^-8）。
意义：为AI开发者提供评估模型自我改进的严谨审计方法，避免测量伪影导致虚假结论，对模型迭代和对比至关重要。
- 论文公开站arXiv
AI4AI-Bench：面向递归自我改进的算法设计LLM智能体基准测试
AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement
AI4AI-Bench包含10个冻结的研究代码库，覆盖10种训练算法族。智能体需在4小时内重写训练算法，随后重新运行最多12小时，由固定评估器评分。基准将指标统一映射，0表示无信息模型，0.1为原始算法，1.0为任务最优。在6个系统的29种配置下，平均得分为0.166，最佳系统达0.250，表明现有智能体在算法设计上仍有很大提升空间。
意义：该基准首次隔离评估LLM智能体的算法设计能力，对递归自我改进可行性研究至关重要，为AI自我提升提供量化测试平台。
