rsi

AI技术新视界

递归自我改进（RSI）是什么本文深入解析了“递归自我改进”（RSI）这一AI前沿概念，指出其核心在于让AI系统参与并优化自身未来的研发流程，而非仅作为辅助工具。文章通过对比约翰·冯·诺依曼的自复制机器与I.J. Good的“智力爆炸”理论，厘清了RSI的历史渊源。重点区分了当前流行的“自我改进智能体”（侧重工作流优化）与真正的RSI（侧重模型构建底层逻辑改进）。结合Anthropic的代码自动化、Recursive的研究系统以及Sakana AI的长期实验，文章强调2026年的RSI仍处于早期阶段，主要体现为训练效率、基准测试和代码

具身智能的进化分水岭：GPT-6-Astra踏进能力门，却卡在实用门——商汤联合团队开源RoboRSI：Harness递归改进能否填平这道落地鸿沟？一句话总结：商汤联合团队（SenseNova + ACE Robotics + Ropedia + 南洋理工大学 + 东京大学等）用一份技术报告回答了全行业都在问的问题——通用大模型是否已经"长出身体"？他们的结论是：GPT-6-Astra 已跨过"具身能力"（embodied competence）的门槛，但尚未跨过"实用具身智能"（practical embodied intelligence）的门槛；而伴随开源的 SenseNova-RoboRSI 框架与 27B 模型，则试图把这条鸿沟变成一条可递

AI技术新视界

Harness^2：递归自进化智能体Harnessing框架Harness^2 是一个用于开放世界中递归智能体操控（Recursive Agent Harnessing）的即插即用框架，旨在解决大语言模型智能体在缺乏标准答案 verifiers 的开放环境中面临的任务特定性与泛化难题。该框架通过任务级递归（Task-level recursion）引入基于对比的“提出-探测-组合”步骤，在没有真实标签的情况下可靠地优化当前执行操控（execution harness），并可通过并行或顺序扩展提升效果。同时，它通过操控级递归（Harnessing-level rec

I Am a robert girl

谷歌迈出RSI一大步：从Gemini模型迭代看AI工程化的新风向从今天觉醒,技术赋予每一个人数字生命近期，行业内关于“Gemini模型迭代登顶，谷歌在RSI（相对优势指数，此处代指大模型综合相对竞争力指数）上迈出一大步”的讨论热度居高不下。抛开各种情绪化的“AI军备竞赛”叙事，作为技术开发者，我们更应该关注这些技术跃升背后的工程范式转移。大模型的能力天花板正在被不断推高，但这对于普通开发者、在校学生和转行者意味着什么？我们该如何在这个快速变动的技术周期中找到自己的生态位？

在线蒸馏（OPD）、递归自我改进（RSI）与递归自我学习（RSL）整体学习理解认知一：这三者不是并列的三个技术，而是三个不同抽象层级。 OPD 是一个训练目标；RSL 是一类闭环系统架构；RSI 是一个自治度的分级框架。把它们并列讨论会导致大量概念混乱。正确的关系是：OPD 是 RSL 闭环里最锋利的那把工具，而 RSL 是 RSI 在 L3–L4 层级的具体实现形态（详见 §6）。

以谈DSH为醋，包个饺子——Harness与RSI与Scaling2026年8月25日和几位老师朋友交流，话题总绕不开一个名字：DSH。但火归火，我看到的却是两种截然不同的态度：一边是营销号式的“碾压 Fable 5”的神话，一边是工程师们看着代码摇头叹息。今天这篇只做一件事：借由DSH这盘“醋”，看看能不能包出一盘真正能吃的“饺子”——Harness Agent。

我是有底线的