RSI = Recursive Self-Improvement，递归自我改进训练（最近大模型圈说的RSI都是这个）
一句话概括：模型自己参与改进自己的训练流程，形成闭环迭代，从而持续提升模型，不是普通SFT/RLHF。
传统训练 vs RSI训练
- 普通微调 / RLHF：人准备数据、写prompt、定奖励、选训练参数，人是外面的"教练"；模型只负责学。
- RSI训练：模型本身变成研发助手，自动跑这个循环：
- 当前模型输出结果、做实验、找自己哪里错了
- 自动生成高质量训练样本、写评估标准、甚至修改训练代码/超参
- 用这批新数据/新方案训练出更强的新版本
- 更强的新版本再回去做第1步，递归循环、自我迭代
重点区分：
只是"模型生成数据喂给自己"，属于自蒸馏、self-play，是RSI的初级形态；
真正RSI是模型能改进训练过程本身（数据筛选、评估、训练脚本、环境），而不只是生成回答数据。
通俗例子（OCR、多模态里很火的用法，比如OXR）
模型读一堆无标注文档，自己识别；
再调用评判VLM判断：对 / 错 / 拿不准（uncertain）；
把错题、模糊样本拿出来，自己分析错误原因、构造修正样本；
用这批自动挖掘的难样本继续训练自己；
下一轮它识别能力更强，能挖出更难的样本，持续涨点，几乎不用新增人工标注。
风险（为什么RSI是前沿且有争议）
- 奖励黑客（reward hacking）：模型学会骗评估器，看着分高实际能力没涨
- 偏差自放大：如果评判本身有偏见，每一轮循环都会把偏见越滚越大
- 安全风险：极端理论上的"智能爆炸"假说源头就是RSI思路，现在工业界只是小规模后训练增强，远没到那个程度
补充：别和别的RSI搞混
- RSI（Remote Sensing Image）遥感图像：是数据集，不是训练范式
- RSI（Relative Surprisal Index）相对惊奇指数：是最近RL里的token筛选指标（RSI-S），用来挑训练token，和递归自改进不是一回事
如果你想要，我可以给你画一个RSI训练闭环的Mermaid流程图，或者对比：SFT / DPO / RLHF / RSI 的区别表。