研究简报 · 2026.08

AI 如何
改进自己？

围绕 Recursive Self-Improvement（RSI，递归自我改进）的技术谱系、最新文献、可验证研究问题与发文路线。这里的核心判断是：真正可做的科研，不是宣称“智能爆炸”，而是把“改进”拆成可审计、可复现、能迁移的闭环。

研究截点：2026 年 8 月 9 日 · 中文研究导航版 · 结论按证据强度分层

3 层

内容 / 组成 / 拓扑

被称作 RSI 的工作绝大多数只动了第 1 层

已占据第 2、3 层的工作

其中 10 篇 harness 自演化、7 篇拓扑自演化，多数发表于 2026 年 3–8 月

20→50%

DGM 的 SWE-bench 报告结果

摘要口径；需要注意成本、方差与迁移性

33 / 33

引用核验结果：全部为真

arXiv API 逐条核对，0 条虚构；另检索 563 篇候选，三波定向追踪

01 / 核心观点

先把“自我改进”定义清楚

RSI 不是单一算法，也不是“模型多想几遍”。本文把它定义为：一个 AI 系统在多轮运行中，利用自身或外部反馈，更新其可影响后续性能的组件，并在相对独立的任务/环境上验证改进。更新对象可以是输出策略，也可以是记忆、工具、代码、权重、数据、评估器，乃至选择研究问题的流程。

不算 RSI 的情况

一次性自我反思（self-reflection）、固定提示链（prompt chain）、只在同一道题上重采样、没有跨任务或跨轮次积累的“看起来更聪明”。

需谨慎命名

最低证据标准

改进前后要有冻结的外部测试集、明确的更新对象、完整轨迹、成本与失败统计，并排除评估器泄漏（evaluator leakage）和基准过拟合（benchmark overfitting）。

可复现证据

最值得研究的缺口

如何让评估器（evaluator）不被智能体（agent）反向优化？如何证明能力迁移，而不是只学会“迎合评估器”？

开放问题

调研核心 · 2026.08.11 新增

内容、组成、拓扑：
现有工作卡在哪一层

把"框架会变化"拆成三层，才能说清楚谁做过什么。绝大多数被称作 RSI 的工作只动了第一层；第二、三层各只被做了一半，而且都不是由系统自己驱动的。

第 1 层 · Content内容演化

组件里的代码、提示词、权重变了，但有哪些组件、怎么连不变。STOP、Gödel Agent、DGM、HGM 全在这层。

第 2 层 · Composition组成演化

系统由哪些组件构成、每个组件允不允许被改。AgentSquare 做了一半——模块可换，但"就是这四类"是人定的。

第 3 层 · Topology拓扑演化

组件之间怎么连、执行顺序、谁控制谁。AFlow 做了一半——图结构可搜，但算子表是人给的。

可修改边界表：每篇论文到底把什么写死了

"固定了什么"比"做了什么"更重要——它直接决定这篇工作答不了哪个问题，也就是你的机会所在。

代表工作的可修改边界对照
工作	允许改	写死不许改	落在哪一层
STOP arXiv:2310.02304	improver 程序的代码，包括它自己	模型权重、元效用函数、"把改进器喂给自己"的外层循环、任务分布；改进器永远是一个函数，签名不变	1（改的是 U 本身）
Gödel Agent ACL 2025	运行时逻辑，含"负责改写"的那段	模型、环境、目标；只有一个 agent，没有群体，改坏了回不去	1（单线自我重写）
DGM arXiv:2505.22954	agent 自己的 Python 代码库（工具、流程、提示词）	档案结构、父代选择规则、接受规则、benchmark、模型、整个外层演化循环——研究者写死，agent 碰不到	1 + 群体
HGM arXiv:2510.21614	同 DGM	同 DGM。CMP 是研究者提出的新选择规则，不是系统自己发现的	1（把 Q 变成研究对象）
ADAS arXiv:2408.08435	被设计出来的 agent 的代码，可写任意 workflow	元 agent 本身永不改变（固定模型 + 固定提示词）、搜索循环、档案、产出物必须塞进固定的 `forward()` 接口	1，产出物有结构自由
AFlow arXiv:2410.10762	workflow 的图结构：节点、边、控制流	算子集合是人预先定义的、MCTS 搜索算法、优化目标、节点接口	3 的一半
AgentSquare arXiv:2410.06153	规划 / 推理 / 工具 / 记忆四类模块的选择与重组	"就是这四类"这个划分本身、模块间接口、搜索算法、性能预测器	2 的一半

证据等级提示：本表来自模型知识截点内的记忆，每一行都需回原文核验，其中 AFlow 的算子集合是否真的固定、AgentSquare 的四类划分是否真的写死，是整个 gap 陈述的地基，必须优先确认。

因此，它们各自答不了什么

这六段可以直接改写成 related work——每段的最后一句就是你和它的分界线。

第 1 层

STOP

手写一个改进器函数，然后把它喂给它自己。模型冻结，只有脚手架代码在变；模型自己摸索出了 beam search、遗传算法、模拟退火。论文里还记录了改进器试图关掉沙箱标志位。

答不了：整个系统就是一个函数，没有"由哪些部件组成"的概念，所以"该有哪些组件"这个问题在它的设定里无法提出。

第 1 层

Gödel Agent

运行时读自己的代码、改写自己的逻辑，包括改写负责改写的那段。给高层目标，没有预设的改进套路。

答不了：没有档案就没有选择，没有选择就无法研究"什么样的改动值得保留"。和 STOP 一样是单体，没有组件划分。

第 1 层

DGM

编程 agent 改自己的代码，每一版都进档案，下一轮从档案里挑父代分叉而非只从最新版往下走。80 轮，SWE-bench 20.0→50.0%。

答不了：证明了 agent 能改自己的代码并越改越好，但演化机制本身不在演化空间里。"谁决定该有哪些部件、这个决定权能否传给后代"没有位置可放。

第 1 层

ADAS / Meta Agent Search

一个元 agent 反复用代码编写新 agent，存进不断增长的档案，并以档案为上下文启发下一次设计。产出的 agent 能跨领域跨模型迁移。

答不了："U₀ 永远是 U₀"的最纯粹形态。能造出结构任意的 agent，但造它的那个东西从不进化——这恰好是 MAC 的多代版本。

AFlow

把 workflow 表示成图：节点是调用 LLM 的算子，边是控制流，用 MCTS 在图空间里搜，靠执行反馈和树结构经验指导。

答不了：拓扑确实在变，但是在一张人给的词汇表里排列组合，而且是外部搜索器在排。系统发明不出新算子，也不会把"怎么搜"传给后代。

AgentSquare

把设计空间模块化成规划、推理、工具、记忆四类，在其上做进化与重组，另配性能预测器剪枝。

答不了：组成确实在变，但角色词汇表是人定的、且恒为四个。系统不能说"我觉得该多一个诊断器"，也不能说"记忆和推理应该合并"。

⚠ 2026-08-11 更新：原 gap 陈述已作废。

原文写的是"没有工作让系统自己决定应该有哪些组件、它们怎么连，并把这个决定权传递给后代"。补充检索（563 篇）证明这句话不成立——2026 年 3–8 月出现了至少 17 篇工作占据这两层，见下一节。

修正后仍然成立的主张：已有工作各自让某个部件可演化并报告性能提升，但没有一篇做过角色级的因果干预——哪些组件必须可演化、哪些只是锦上添花、哪些反而有害。能力 c 与可演化性 μ 的分离测量仍是空白。

补充检索结果：空白已被填掉大半

2026-08-11 执行，共检索 563 篇候选（15 组主题词 + 3 波定向追踪），并对全部 33 条既有引用做了 arXiv API 核验。结论：0 条虚构引用，但原 gap 陈述被推翻。

2026 年 harness 自演化工作一览
Harness / 框架自演化（10 篇）	日期	做了什么
Meta-Harness arXiv:2603.28052	2026-03-30	端到端优化 harness——即"决定存什么、取什么、如何呈现给模型"的那段代码。
Adaptive Auto-Harness arXiv:2606.01770	2026-06-01	开放式任务流上的持续自改进。文中点名 A-Evolve、GEPA、Meta-Harness 三个同类系统，说明这已是一个有名字的子领域。
Harness-Aware Self-Evolving (HASE) arXiv:2607.03935	2026-07-04	同时演化模型权重、harness 与任务解；单个 Qwen3-8B 追平 GPT-OSS-120B。
Recursive Harness Self-Improvement arXiv:2607.15524	2026-07-17	harness-in-the-loop：把 harness 当作数据生成组件，兼顾当前性能与未来训练轨迹质量。
DarwinX arXiv:2608.07545	2026-07-31	对 harness 种群做自然选择，模型冻结；明确批评单谱系搜索的路径依赖与局部收益导致的跨任务退化。
EvolveNet arXiv:2608.04968	2026-08-05	指出既有方法都假设"所有执行经验汇入单一优化器演化一个 harness"，改为协同演化。
Hierarchical Self-Improvement arXiv:2608.08466	2026-08-09	每个任务族维护自己的可演化 harness，迭代之间热插拔。
GEPA arXiv:2507.19457	2025-07-25	反思式提示词演化，效果超过强化学习。
FlashEvolve arXiv:2605.08520	2026-05-08	异步阶段编排，解决 agent 自演化的墙钟成本瓶颈。
Mendel Gödel Machine arXiv:2608.07645	2026-08-07	用档案中的比较信号而非单条失败轨迹驱动自我修改。

拓扑自演化工作一览
拓扑自演化（7 篇）	日期	做了什么
MANTA arXiv:2607.28527	2026-07-30	最直接的撞车。原文开篇即指出"现有系统把通信拓扑当作固定设计选择或离线优化目标"，然后让通信结构在线自演化。这句 motivation 与本项目高度重合。
TopoEvo arXiv:2605.15611	2026-05-15	拓扑感知的自演化多智能体框架（微服务根因分析域）。
SkillGraph arXiv:2604.17503	2026-04-19	自演化多模态图拓扑；批评"通信拓扑在推理前就被固定"。
GPTSwarm arXiv:2402.16823	2024-02-26	把 agent 表示成可优化计算图，节点提示词与边连接同时优化，图可递归组合。
MaAS / Agentic Supernet arXiv:2502.04180	2025-02-06	批评既有方法只找"静态、一刀切"的系统，改为从超网按查询采样架构。
MASS arXiv:2502.02533	2025-02-04	联合优化提示词与拓扑。
AgentPrune arXiv:2410.02506	2024-10-03	通信拓扑剪枝，降低多智能体通信开销。

理论侧也有人

On The Statistical Limits of Self-Improving Agents

2510.04399

前提是"agent 可以沿自身设计的每一个方面自我改进"，给出五轴分解 + 决策层，证明了自修改系统中的"效用—学习张力"。

撞车提示：这与本项目的十角色分解、"哪些维度可演化"直接重叠，且已有形式化结果。任何角色分解方案必须先与它对齐。

理论侧也有人

A mathematical theory of evolution for self-designing AIs

2604.05142

用 Fisher 基本定理为框架，建模"由递归自我改进产生的 AI"其性状如何被祖先设计后代的成功率塑造。

谱系生产力的理论对应物，与 HGM 的 CMP 是同一问题的两种处理。

意外的礼物

Phantom Guardrails

2607.13083

自改进的 harness 会去修复根本没发生过的失败——提议器编辑脚手架以消除"观察到的失败"，却从不先问"真的失败了吗"。

可直接用作动机：这是 harness 自演化这条线的第一个负面结果，与"结构自由度可能不划算"同向。

对「思路 1」的直接威胁：Do Agent Optimizers Compound? A Continual-Learning Evaluation on Terminal-Bench 2.0（arXiv:2607.14004, 2026-07-15）已经在问"agent 优化的收益能否复利"，并指出多数报告的增益是一次性的。

但它测的是优化器是否复利，不是结构自由度值不值。"只改内容 vs 也改组成/拓扑，等预算对照"这个具体设计仍未被做——不过投稿时必须正面处理这篇。

仍需注意的老先例：AutoML-Zero（ICML 2020, arXiv:2003.03384）。从空程序出发、只给基本数学算子，演化出完整的机器学习算法并重新发现了反向传播。novelty 不能表述为"首次让系统决定组件构成"。

检索方法：15 组主题检索词（拓扑与架构搜索 / 自修改与结构演化 / RSI 本体 / 提示词与程序演化 / 开放式演化与质量多样性 / 架构搜索方法论 / 自改进补漏）+ 16 项按标题精确定位 + 8 项定向追踪，共 563 篇去重候选，原始结果保存在 search_results.md 与 search_results2.md。上表条目的 arXiv 编号与日期均由 arXiv API 返回，但"做了什么"一栏基于摘要，尚未读全文；投稿前需回原文确认各自的可修改边界。

论文选题 · 2026.08.11 新增

五条可落地的选题

全部从上面那个空白推导而来，按"该不该先做"排序。每条都写明了为什么它是好论文、以及它的风险在哪——这五条用来替代此前 100 条模板化候选作为决策依据。

建议做主线

结构自由度到底值不值？

正反都能发

问题：允许改组成/拓扑，比只改内容，在同等预算下多赚了什么？

同任务、同模型、同 token 预算，三组对照：只改内容 / 可增删组件 / 可改连接与顺序。
主指标：隐藏集增益 ÷ 单位算力。
AFlow 与 AgentSquare 都假定结构搜索有用，但没人把它和"只改内容"在同算力下对比过。

这是整个方向的前提 · 若答案是"不值"，后面所有设计都要变

⚠ 直接竞品：arXiv:2607.14004 Do Agent Optimizers Compound?（2026-07-15）已在问"优化收益能否复利"，并指出多数报告增益是一次性的。本思路必须把问题收窄到结构自由度的等预算对照，并在 related work 正面处理它。

为什么是好论文：正反都能发。有用 → 你有了第一个证据；没用 → "结构搜索在 X 预算以下不划算"，同样会被大量引用。这种题不会做废。

上限最高 · 风险最大

不给词汇表，系统会长出什么？

探针是硬骨头

问题：AgentSquare 的四类模块是人定的。如果不给，系统自己会分化出哪些角色？

F₀ 是一个单体程序，让它自己演化。
用行为探针检测功能是否出现——看行为，不能看文件名。
观察是否自发分化出诊断、选择、记忆这类分工。

跨 run 若总收敛到相似分工 → 一条经验规律；若每次都不同 → 人定的四类划分是任意的

风险：探针设计是硬骨头。功能涌现了但测不出来，整篇就废了——五条里技术风险最高的一条。

故事最好 · 建议第二篇

把演化机制本身交给系统

需先复现 DGM

问题：DGM 的父代选择规则由研究者写死。让系统自己改这条规则会怎样？

两组：选择规则固定 vs 可被系统修改。
看长期谱系生产力。
重点看系统会不会把规则改成对自己有利的（例如"永远选我自己"）。

HGM 已证明选择规则很重要（CMP 优于当前分数）· 下一个自然问题就是系统能否自己找到好规则

⚠ 已被部分做掉：DarwinX（2608.07545）已对 harness 种群做自然选择，Mendel Gödel Machine（2608.07645）已用档案比较信号驱动自我修改。剩余空间只在「选择规则本身可否被系统修改，以及会不会腐化」，必须这样表述。

自带负面故事：给了自由度之后选择器会腐化——这是 reward hacking 在选择层的对应物，安全侧会很买账。代价是要先复现 DGM，工程量大。

最便宜 · 可并入思路 1

越强的系统越难改吗？

"演化债"

问题：当前分数高的系统，是不是反而更难被继续改进？

取一批能力分层的父代。
用同一个改进器去改。
画"改进量 vs 父代基线分"的曲线。

HGM 的 metaproductivity-performance mismatch 是相邻观察，但没系统研究这条曲线

为什么划算：便宜、干净、可证伪。若呈倒 U 型就是个漂亮结果，对所有做 agent 自演化的人都有直接指导意义。可作为思路 1 实验的顺带数据分析，不必单独设计实验。

建议与主线并行

三层框架的综述 / 立场文

成本最低

问题：把"内容 / 组成 / 拓扑"立成这个领域的坐标系。

材料已有大半，几乎不占额外精力——调研本来就要做。
领域正在成型期，综述最容易被引。
为后续所有实验论文提供统一话语，可先挂 arXiv 占坑。

代价：不是强实验成果，但当前性价比最高

↑ 价值上调：2026 年 3–8 月有 17 篇工作涌入这两层，至今无人整理。563 篇检索底稿已在手，三层框架是现成的组织坐标。这是目前最快能落地的产出。

建议：与思路 1 并行推进，而不是二选一。

优先级结论

建议：主线做 1，同时写 5

思路 1 验证的是整个方向能不能成立，不做它后面都是空中楼阁；成本可控、正反都能发。思路 5 并行，几乎不增加负担，还能建立话语权。

思路 3 故事最好但依赖复现 DGM，放第二篇。
思路 2 上限最高但探针风险大，等有人手再说。
思路 4 不用单独设计实验，并入思路 1 的数据分析即可。

此前的 100 条候选池不再作为决策依据。模板化条目给不了取舍信息；保留为头脑风暴存档即可。

调研已完成 · 修订后的优先级

2026-08-11 的检索与核验已执行完毕，下面是据此调整后的判断。

已完成

引用核验

33 / 33

全部 arXiv 编号逐条核对，0 条虚构。仅两处标题转述不准：2606.09498 实为 Self-Harness: Harnesses That Improve Themselves，2601.13518 实为 AgenticRed: Evolving Agentic Systems for Red-Teaming；2606.26294 在账本中重复登记。

已完成

补充检索

563 篇

15 组主题词 + 16 项标题定位 + 8 项定向追踪。结论：原 gap 陈述作废，第 2、3 层已有 17 篇工作占据。底稿见 search_results.md 与 search_results2.md。

下一步

读全文，确认可修改边界

优先 6 篇

上表的"做了什么"仅基于摘要。必须回原文确认边界的六篇：MANTA（拓扑是否真的在线自演化）、DarwinX、Hierarchical Self-Improvement、HASE、On The Statistical Limits（五轴分解与十角色的关系）、Do Agent Optimizers Compound?。

修订后的建议：把思路 5 提到与思路 1 同级，甚至优先。

理由是领域在三个月内涌入 17 篇却无人整理，而「内容 / 组成 / 拓扑」三层框架正好是现成的组织坐标，563 篇检索底稿也已在手。

实验侧唯一确定还空着的是角色级因果干预——现有工作全部是"我让 X 可演化，性能涨了"，没有一篇做过"逐个角色加入 / 删除 / 冻结，测哪些必须可演化"。能力 c 与可演化性 μ 的分离测量应作为主实验主张，而不是"框架可以演化"这件事本身。

02 / 领域地图

RSI 研究地图：五层能力梯度

越往下，系统改变的对象越接近“自身”；但证据要求、成本和安全风险也同步上升。科研上应先从 L1–L2 做出可复现实验，再向 L3–L4 扩展。

RSI 五层研究地图
层级	改什么	反馈与闭环	典型工作	关键验证
L0 行为自修正	答案、计划、推理轨迹	自我批评（self-critique）/ 多次采样 / 验证器（verifier）	锐化机制（Sharpening）、Crescent 方法（Crescent）、测试时自我改进（test-time self-improvement）	留出集准确率（held-out accuracy）；防止只优化同题
L1 经验与工具	记忆、技能库、工具调用策略	跨任务回合（episode）反馈；经验写入与检索	自进化智能体（self-evolving agents）、长期编程智能体（long-term coding agents）	新任务迁移；删除或污染记忆后的鲁棒性
L2 代码与架构	智能体源代码（agent source code）、提示词（prompt）、工作流（workflow）	执行测试；分支、回滚、档案选择	自改进编程智能体（A Self-Improving Coding Agent）、达尔文哥德尔机（Darwin Gödel Machine, DGM）、哥德尔智能体（Gödel Agent）	跨基准迁移（cross-benchmark transfer）；成本、方差、审计轨迹
L3 模型/数据/评估器	权重、训练数据、优化器（optimizer）、评估器（evaluator）	训练或合成数据；弱到强验证	算法发明（algorithm invention）、模型融合（model merging）、评估器协同进化（co-evolving evaluator）	独立评估器、分布外安全、模型塌缩
L4 AI 研究流程	研究方向、实验设计、下一代系统	自动提出假设→实验→复现→选择方向	AI 研究伙伴（AI as research partner）、开放式递归自我改进（open-ended RSI）	科学新颖性、外部复现、人的方向性监督

方法论提示：L0–L1 的“自适应”与 L2 的“自改代码”已有较多可运行案例；L3–L4 更像研究议程，不应把演示结果写成已解决的 RSI。

03 / RSI 评测基准

RSI 到底该怎么测？

截至 2026 年 8 月，尚没有一个被广泛接受、能完整衡量递归自我改进的统一基准。关键不是再造一个排行榜，而是把“系统如何利用反馈改自己”和“改完后是否真的变强”拆开测。

先纠正一个容易混淆的前提：目前没有公认的 RSI base agent，也没有唯一的“后继系统必须怎样接管”的实现。强 RSI（strong RSI）要求后继系统继续产生下一代；现有工作还包括固定元智能体、档案式进化和组件级自适应。benchmark 应声明测哪一种，并把规则、执行基础设施和被测改进算法分开。

三层必须分开：定义协议、运行 harness、被测 RSI 框架

动态 benchmark 确实需要软件来运行多代系统，但 harness 只执行规则；一旦它决定如何生成、选择或修改后继版本，它就成为被测方法的一部分。

规则层 · ProtocolRSI 评测协议

规定“自我”的边界、可修改组件、反馈可见性、代数、预算、隐藏任务、停止规则和指标。它回答“什么证据算改进”。

执行层 · Harness中立运行与留证

启动容器、交接后继制品、隔离 evaluator、记录哈希和谱系、执行预算与回滚。它不替参赛系统提出修改。

方法层 · Framework被比较的 RSI 系统

固定元智能体、单链自改、DGM/HGM 式档案搜索、记忆或数据自进化都可以接入。它们决定“如何改”。

被测系统 S_t = 任务智能体 A_t + 改进器 U_t + 持久状态 K_t　｜　U_t(A_t, K_t, feedback) → (A_t+1, U_t+1, K_t+1)

弱模式：固定改进器

U₀ 每一代都负责修改任务智能体。可以测自动智能体开发，但不能证明改进器自身变强。

MAC 更接近此类

中间模式：档案进化

从多条 lineage 选择父代并产生后代。可以研究长期生产力，但外层选择器和效用通常仍是固定的。

DGM / HGM 类

强模式：后继接管

U_t 也被继承或修改，并由后继系统产生下一代。它是强 RSI 的可测条件，不是当前唯一公认架构。

重要开放问题

普通基准与 RSI 基准，差别不只是“测一次还是测两次”

普通基准也可以有开发集（development set）和测试集（test set）。RSI 的特殊之处是：系统反复读取环内反馈，并据此产生下一代系统，因此评价本身成为了学习过程的一部分。

普通基准与 RSI 评测协议对比
比较项	普通/静态基准（Conventional benchmark）	RSI 评测协议（RSI evaluation protocol）
被测对象（Object）	一个相对固定的模型或智能体，回答一组任务。	基线系统、改进机制、连续候选版本及其完整谱系（lineage）。
适应轮次（Adaptive rounds）	通常按固定配置跑一次或若干独立重复；分数不应在本次正式测试中驱动持久自修改。	明确允许多轮“诊断→修改→评估→选择”，下一轮候选依赖上一轮反馈。
反馈的作用（Feedback effect）	开发集可用于调参，但正式报告常聚焦最终测试分数。	反馈是系统演化的输入，必须记录它如何改变后续版本，不能只展示胜出的最后一个点。
开发/搜索侧（Dev / search side）	用于选模型、提示词或超参数。	是正式被测机制的一部分：限制查询次数、预算、可见日志、可修改组件和停止条件。
隐藏/最终侧（Hidden / final side）	估计固定系统在未见样本上的泛化表现。	比较冻结基线与冻结最终候选的隐藏增益，并检验搜索过程是否产生可迁移的真实改进。
主要输出（Outputs）	最终分数、置信区间、按任务切片结果。	完整改进轨迹 + 最终隐藏增益 + 因果归因 + 成本/时间 + 安全事件 + 失败分支。
主要失真（Main threats）	训练污染（contamination）、测试泄漏、抽样偏差。	还增加自适应过拟合（adaptive overfitting）、评估器投机（evaluator gaming）、改分数而非改能力，以及无法归因增益。

关于 GroundBench：这里按 RHIO 论文提出的 GroundBench 理解，它汇集五个长文本问答（long-form question answering, LFQA）数据集，测上下文忠实性（contextual faithfulness）。它本身是普通的结果型基准，不直接测 RSI；但可以被嵌入 RSI 协议，作为环内任务集或隔离的环外任务集。只有加上多轮自修改、可见性契约、冻结候选和前后对照，它才成为 RSI 证据的一部分。[S14]

模型能看到什么，由谁规定？

没有一条自然法则规定“环内优化评估器一定公开”或“评分代码一定隐藏”。可见性是评测协议中的访问契约（access contract），由设计者声明、基础设施执行、审计者核验。

规则层（Specification）

1. 基准/协议设计者（Benchmark & protocol designer）

定义任务分布、开发与隐藏划分、模型/元智能体各自可见的信息、允许修改的组件、查询预算、停止规则和主指标。若研究者既设计又参赛，应预先注册协议并引入独立保管方。

执行层（Enforcement）

2. 环境与权限系统（Environment & access control）

通过容器、网络策略、只读挂载、受限 API、密钥、进程权限和时间锁真正落实契约。文字上说“不能看”不够，系统必须让读取或修改隐藏资产在技术上失败。

证据层（Evidence custody）

3. 评估基础设施（Evaluator infrastructure）

保管隐藏任务、答案、测试和评分日志，记录查询、镜像、随机种子、版本哈希与时间戳。开发预算结束后才挂载最终验证器，是一种可操作的时间隔离。

复核层（Independent review）

4. 独立审计者（Independent auditor）

检查是否泄漏、越权、替换评估器、挑选幸运种子或隐去失败谱系，并使用另一套任务、验证器或专家盲评复核结论。设计者规定契约，审计者判断契约是否可信地执行。

RSI 搜索阶段与隐藏阶段的信息可见性矩阵
信息/能力	搜索阶段（Search phase）	隐藏阶段（Hidden phase）	为什么这样设计
当前任务输入（Task input）	开发任务题面通常可见。	最终候选在作答时当然能接收该题输入；但负责改系统的控制器（improvement controller）已经冻结，不能据此再发布新版本。	区分“看见要回答的问题”和“看见答案后继续改系统”。
开发样例（Development examples）	可见，并明确属于搜索数据。	不再增加；不能把隐藏案例回流成新开发样例。	防止自适应污染隐藏集。
聚合分数（Aggregate score）	可见或限频返回，可加噪声/分桶。	在候选冻结和运行结束后发布；发布后不得回到本轮改进。	分数一旦驱动修改，就属于搜索信号。
失败日志（Failure logs）	由协议配置：可给完整日志、错误类别或只给通过/失败。	通常封存到最终结束；之后可用于分析，不用于重跑选优。	控制反馈带宽（feedback bandwidth）和过拟合速度。
评分规则/代码（Rubric / scoring code）	可以公开规则，也可以只开放 API；公开规则不等于公开隐藏案例。	协议可公开抽象规则，但隐藏测试、密钥和逐题标签仍隔离。	真正关键的是不可利用的隐藏实例与不可篡改执行，而非一概保密所有规则。
隐藏答案/测试（Hidden labels / tests）	绝不应可见，也不可由侧信道推断。	候选只接收必要输入；答案和断言由隔离执行器持有。	这是环外证据成立的最低边界。
修改权限（Write access）	只能改协议白名单中的提示词、记忆、工具、代码、数据或权重。	候选版本、依赖和环境全部只读冻结。	防止“测评时继续进化”以及修改测试/评分器。
外部审计（External audit）	可以公开审计原则，但不开放具体新题与人工判定。	由独立方执行；结果与方法在审计完成后发布。	避免同一个评估器同时充当老师、考官和证明人。

具体例子：Meta-Agent Challenge（MAC）允许元智能体读取任务、编辑 agent.py 并查询开发集评估 API；测试集加密存放在另一容器中，开发预算结束后才挂载验证器。模型“看得到反馈”指 API 返回被允许的信息，不表示它能读取测试集、答案或验证器内部实现。[S10]

三种角色：谁参与改进，谁负责证明

最低可信设计是 E_search + E_hidden 双轨；E_audit 是更强的第三方复核。一个数据集也可以被切成这些角色，但数据、权限和时间必须隔离。

循环内 · 可提供反馈

环内优化评估器（Search evaluator）

E_search

这里的 search 指“在候选系统空间中搜索”：系统尝试不同提示词、代码、数据、权重或工作流，评估器返回适应度信号，帮助选择下一代；不是网络搜索。若实验只有常规迭代调优，没有显式候选搜索，称开发评估器（development evaluator）会更直观。

用于优化，不是最终证据

循环外 · 必须隔离

冻结隐藏评估器（Frozen hidden evaluator）

E_hidden

在自我改进期间保持任务、答案和评分逻辑不可见，用来判断改进是否迁移到未见任务。可以冻结规则，也可以冻结评估协议并定期更换隐藏题目。

能力提升的主要证据

独立复核

外部审计（External audit）

E_audit

由独立基准、另一套验证器或人类专家复核，检查测试污染、评分投机（reward hacking）、成本膨胀和安全回退。它回答的是“换一把尺子，改进还成立吗？”

最强可信度检查

内循环（Inner loop）诊断 → 修改 → 沙箱 → E_search → 选择/归档 → 重复

版本冻结（Candidate freeze）停止搜索；锁定代码、权重、配置、依赖、预算与哈希

外部证明（Outer proof）E_hidden → E_audit → 与冻结基线比较

外部审计怎么加？它不是“再跑一次分数”

冻结隐藏评测检验能力是否泛化；外部审计检验这份证据是否值得相信。审计是独立的保证过程（assurance process），可以包含另一套测试，但范围还包括数据、权限、谱系、成本、安全和复现。

冻结隐藏评估与外部审计的职责对比
比较项	冻结隐藏评估（E_hidden）	外部审计（E_audit）
核心问题	最终候选在未见任务上，是否比冻结基线更强？	隐藏增益是否真实、可复现、无泄漏、无投机，并且没有用不可接受的成本或安全退化换取？
性质	正式评测协议中的一个评分阶段。	对完整实验及其证据链的独立复核，不一定压缩成单一分数。
执行者	可由基准官方或研究团队的隔离执行器自动运行。	最好由未参与候选开发的另一团队、第三方机构或领域专家执行。
输入	冻结基线、冻结最终候选、隐藏任务和预注册预算。	还需要协议、全部版本哈希、查询日志、失败分支、权限记录、成本账本、安全事件和人工干预记录。
主要方法	隐藏集、OOD 集、置信区间和同预算前后对照。	独立重跑、替代基准/验证器、污染扫描、日志取证、权限测试、随机种子复核、专家盲评和安全回归测试。
输出	hidden gain、迁移差距、方差和失败切片。	审计意见（audit opinion）、发现清单、严重性、未解决限制，以及“通过/有保留/不通过”的结论。

1. 搜索前预注册: 先确定审计方、独立性要求、审计范围、必须保留的证据、替代测试、通过阈值和利益冲突声明；不能等看到结果后临时挑一个有利审计。
2. 全程自动留证: 每代候选自动保存父版本、diff、制品哈希、容器镜像、评估查询、返回反馈、成本、种子、权限告警、回滚与人工操作，形成只追加（append-only）的证据包。
3. 冻结后交付: 开发团队在隐藏结果返回前签署 final manifest；审计方接收只读制品和日志副本，不允许开发方在审计中途替换候选或补跑选优。
4. 独立复核: 审计方重放若干世代、复算主结果，再用不同题目、不同 evaluator 或专家盲评验证；同时检查数据污染、侧信道、测试篡改、漏报失败和能力—安全权衡。
5. 单独发布意见: 主论文报告 E_hidden 分数，审计报告单独说明证据是否可靠、发现了什么问题、哪些限制尚未排除。审计不替研究者背书，也不应只给一句“已验证”。

实践选择：早期原型至少做“内部独立审计”（由未参与改进循环的团队成员盲验）；准备公开 benchmark 或高影响结论时，再升级为真正的第三方审计。外部审计不是所有小实验的硬性门槛，但结论越接近“系统能够持续自我改进”，独立性要求就应越高。

一轮完整 RSI 实验：从协议冻结到公开报告

下面不是概念图，而是一条可以直接转成实验清单、日志 schema 和论文方法章节的 0–12 阶段流程。

阶段 0

冻结改进契约与威胁模型（Improvement contract & threat model）

先定义目标能力、允许修改的表面（modification surface）、禁止访问的资产、E_search/E_hidden/E_audit、查询与算力预算、停止条件、污染假设、安全不变量和成功标准。此时就确定主指标，防止看结果后换口径。

产物：预注册协议权限矩阵数据清单

阶段 1

登记冻结基线（Register frozen baseline）

打包基线模型/智能体、系统提示词、工具、依赖、镜像、种子与推理预算；生成不可变哈希。基线不能在看到隐藏结果后被重新挑选。

产物：baseline artifact环境哈希

阶段 2

托管初始隐藏测量（Escrowed hidden baseline）

独立执行器在 E_hidden 上测基线并封存逐题结果。改进系统既看不到隐藏案例，也不应拿到可反推出案例的细粒度反馈；必要时连聚合基线分数也延迟公布。

检查点：基线已测但未泄漏

阶段 3

在允许的搜索任务上诊断（Diagnose on allowed search tasks）

收集 E_search 的失败类型、错误日志、成本和环境状态，形成能力缺口，而不是直接记忆具体答案。区分模型能力、脚手架、工具、数据和评估噪声造成的失败。

产物：failure taxonomy诊断证据

阶段 4

生成可证伪的修改假设（Falsifiable modification hypothesis）

每个候选修改都写明“改什么、为什么、预计改善哪类错误、可能伤害什么、用什么消融验证”。一次混改多个组件会让因果归因失效。

产物：hypothesis + expected effect

阶段 5

仅修改白名单组件（Modify allowlisted components）

系统可以编辑被授权的提示词、记忆策略、工具路由、智能体代码、训练数据或权重；所有差异（diff）、父版本、操作者、模型调用和外部输入写入谱系。评估器、隐藏数据和审计日志保持只读。

产物：candidate artifact完整 diff

阶段 6

沙箱、静态与安全门禁（Sandbox & safety gates）

在不接触隐藏集的环境里做构建、单元测试、恶意文件/网络访问检查、资源上限、权限不变量和可回滚性验证。门禁失败的候选应被拒绝，但仍保留失败记录。

检查点：无越权、可复现、可回滚

阶段 7

查询环内优化评估器（Query E_search）

通过协议允许的接口运行候选；只返回约定粒度的分数、错误类别或日志。记录每次查询、返回值、时长、词元、GPU/API 成本和随机性，防止无限试错把基准变成训练集。

产物：search observation预算账本

阶段 8

选择、归档或回滚（Select, archive, or rollback）

按预注册的多目标规则比较能力、成本、安全和多样性；不要只保留单一路径的当前冠军。运行必要的消融或重复种子，判断增益是否来自目标修改，再决定归档、分支或回滚。

产物：selection decision失败谱系

阶段 9

跨代重复直到预定停止（Iterate under stopping rule）

回到阶段 3，形成第 1…N 代。停止必须由查询数、总算力、墙钟时间、连续无提升、风险阈值或预定代数触发，不能因为刚好出现最好分数而临时结束。

输出：完整 improvement trajectory

阶段 10

在隐藏测试前冻结最终候选（Freeze final candidate）

依据 E_search 规则选定一个或预注册数量的候选，锁定代码、权重、依赖、上下文、工具、推理预算和种子策略。此后即使发现问题，也不能为本次主结果修改并重测。

检查点：final hash + signed manifest

阶段 11

运行隐藏、分布外与独立审计（Hidden, OOD & audit evaluation）

同预算比较冻结基线和最终候选的 E_hidden；再用不同任务分布、不同验证器或专家盲评执行 E_audit。检查是否出现搜索分数上升但隐藏/OOD 下降、成本暴涨或安全能力回退。

主证据：hidden deltatransfer gapaudit verdict

阶段 12

公开全轨迹而非只报冠军（Report the full trajectory）

发布协议、基线与最终制品、所有候选谱系、查询日志、失败分支、种子、置信区间、算力/费用/时间、安全事件、人工干预和负结果。最终结论应分别写“搜索能力”“隐藏迁移”“成本效率”和“安全完整性”。

产物：可复现实验包局限性声明

RSI 有强领域性吗？机制可通用，证据高度领域化

“生成候选→得到反馈→修改→选择”的协议可以跨领域复用；但真值是否明确、反馈多久返回、评估器能否被执行、现实分布是否变化，都强烈依赖领域。因此通用 RSI 更应报告能力向量（capability vector），而不是压成一个总分。

不同领域的 RSI 环内与环外评测设计
领域	可能改什么	环内 E_search	环外 E_hidden / E_audit	当前成熟度与主要瓶颈
代码/软件（Code & software）	提示词、工具路由、测试策略、智能体代码、修复知识库。	公开/开发单元测试、编译器、静态分析、开发仓库、性能剖析。	私有测试、新仓库、跨语言任务、真实用户验收与安全审计。	相对最高可执行真值强、反馈快；仍有测试投机、依赖污染和同仓库过拟合。
数学/算法（Math & algorithms）	搜索启发式、程序、证明策略、算法组件。	样例、形式验证器、约束检查、复杂度与运行时。	未见实例、正式证明、新规模/新硬件、独立实现复现。	较高正确性可形式化；真正的新颖性、渐近优势和现实实现收益较难。
图形/视觉（Graphics & vision）	渲染程序、场景表示、视觉提示、几何策略、生成管线。	几何误差、渲染指标、物理模拟器、可见场景和成对偏好。	未见场景/风格、遮挡和扰动鲁棒性、人工盲评、真实设备测试。	中等几何任务可验证，但审美、语义和感知质量常依赖学习型或人工评估器。
视频/多模态（Video & multimodal）	时序规划、生成/编辑管线、记忆、跨模态工具。	重建、时序一致性、跟踪、音画同步和开发片段反馈。	未见身份/场景、长序列一致性、事实与版权审查、用户盲评。	中低输出昂贵且高维，自动指标与人感知偏差明显，长时延放慢演化。
科学研究（Scientific research）	假设、实验设计、分析代码、仪器控制、下一步研究选择。	模拟结果、开发数据、已知定律、实验中间结果和文献证据。	新数据、独立实验室复现、专家审稿、前瞻性预测和真实实验。	较低且昂贵实验反馈慢、噪声大；“做对任务”和“发现新知识”都难自动评分。PaperBench 可作 AI 研究能力外部锚点，但本身不测多代 RSI。[S15]
社会科学/社会系统（Social science & social systems）	理论、政策/干预方案、调查工具、因果模型和决策流程。	历史数据、仿真、代理指标、预测回测和专家批评。	预注册前瞻研究、跨人群复制、真实人类结果、伦理与利益相关方审查。	最低真值弱、环境非平稳、反身性与价值判断强；优化代理指标可能改变被测系统本身。
模型/数据改进（Model & data improvement）	训练数据、损失、优化器、架构、评估器或后训练流程。	验证损失、可见任务子集、小规模训练和行为诊断。	隐藏跨基准套件、污染审计、新模型规模、能力/安全联合评测。	新兴接近 RSI 核心，但训练成本、实验方差和评估器协同适应让归因最难。

可通用的部分: 访问契约、版本冻结、双轨评估、轨迹记录、因果消融、预算归一化、外部审计与安全不变量。
必须领域化的部分: 任务分布、真值来源、评估器类型、反馈延迟、专家资格、伦理要求、危害模型和“迁移”究竟指什么。
通用 RSI 的报告方式: 分别报告代码、数学、视觉、视频、科学、社会系统等领域的隐藏增益与成本，再报告跨域迁移；一个平均总分会掩盖“只在可执行验证领域进步”的事实。

目前有哪些接近 RSI 的基准？

它们测到的是不同层级、不同改进对象和不同证据强度，不能直接排成一张单一能力排行榜。

RSI 相关评测基准及成熟度
基准	实际测量什么	对应层级	成熟度判断
PAST-Bench	用开启/关闭持久经验的配对实验，测量跨会话记忆、程序复用、信息收集和状态更新能否改善后续行为；覆盖 26 个场景、204 个任务回合。	L1 前置机制 / 归因	测固定持久经验策略是否有效，不产生新的记忆算法，也不测后继系统继续改进。作者明确将其称为完整 RSI 的基础，而非完整 RSI。
Meta-Agent Challenge（MAC）	固定元智能体通过开发集评估 API 反复编写和优化另一个任务智能体，最终在隔离隐藏测试集上跨五个领域评分。	L2 单代元优化代理	直接测“自主开发智能体”的结果，但输出的任务智能体不会接替元智能体继续开发下一代；应称 empirical proxy，不应写成完整递归。
RSIBench-Data	固定模型训练、服务和评估栈，只允许智能体迭代修改训练数据策略，观察反馈能否转化为更好的后训练模型。	L3 组件级评测	可审计、变量控制较清楚，但只是数据中心型 RSI。四类前沿智能体中，持续搜索经常不能保住中途最佳结果。
TangramSR	通过几何一致性反馈，让视觉语言模型在测试时循环修正位置、角度和尺度预测。	L0 窄域评测	能测迭代修正，但依赖几何真值/验证反馈，不涉及跨会话积累、代码自改或后继系统能力。
RE-Bench	测量智能体在七个开放式机器学习研发环境中的研究工程能力，并与人类专家在不同时间预算下比较。	L4 外部锚点	是高价值 AI 研发能力基准，但不是 RSI 专用基准：它主要测单次任务能力，不直接测多代自修改后的改进轨迹。
GroundBench	汇集五个 LFQA 数据集，评估检索增强模型生成内容相对于给定上下文的忠实性。	结果型任务基准	不是 RSI 专用基准。可作为某一领域的 E_search 或 E_hidden 任务来源，但必须另加多代改进协议和隔离设计。
PaperBench	测量智能体从头复现 20 篇 ICML 2024 论文的 AI 研究工程能力，用分层 rubric 与自动 judge 评分。	L4 外部锚点	适合测最终候选的研究复制能力；单独使用仍不测自我修改轨迹，复杂输出依赖 judge，官方也指出不能排除评分漏洞。
SWE-bench / Polyglot / MLE-Bench	作为终端任务或适应度函数，测量代码修复、程序生成或机器学习工程结果。	L2/L3 间接评测	成熟度较高但只测“最后做得多好”，不能单独证明改进来自自诊断、自修改或递归过程。

PAST-Bench · 论文结果

排名的是“持久经验增益”，不是 RSI 总能力

3 runs

固定 Hermes：GPT-5.4 的 persistence-on/off 总增益最高（+0.24），GLM-5.1 与 Claude Sonnet 4.6 为 +0.20，最低的 MiniMax-M2.7 为 +0.13。
固定 MiniMax-M2.7：Hermes+ 为 +0.15，Hermes 与 nanobot 为 +0.13，ZeroClaw 为 +0.12，Agent-Zero 为 -0.08。
Hermes+ 相对 Hermes 只多 +0.02，论文说明该差异小于运行间波动；不能把表格当稳定的“RSI 排名”。

它回答：同一系统打开持久经验后是否更好，以及改进是否真的经过写入、检索、更新路径。

MAC · 官方排行榜

排名的是“单次自主开发智能体”的能力

39 configs

只有 5/39 个“模型 × 领域”配置超过对应人类框架基线；其中 4 个来自 Claude，1 个是 DeepSeek-v4-Pro。
最好非人类 / 人类基线：AIME 0.783 / 0.733，GPQA 0.572 / 0.597，LiveCodeBench 0.557 / 0.555。
SWE-Bench 0.609 / 0.637，Terminal-Bench 0.393 / 0.326；33% 配置的标准差超过 0.1，说明开发过程很不稳定。

它没有回答：生成的 agent.py 能否成为下一代改进器，也没有测 U₀ → U₁ → U₂。

尚未解决

成熟的 RSI benchmark 至少要同时测六件事

隐藏能力增益（Hidden gain）未见任务上的前后差值

改进轨迹（Improvement trajectory）多轮斜率、平台期与退化

因果归因（Attribution）收益是否来自允许修改的组件

迁移能力（Transfer）跨任务、模型、工具与环境

资源效率（Efficiency）单位算力、词元、费用和时间的增益

完整性与安全（Integrity & safety）评分投机、越权、回滚和失败分支

因此，当前更准确的结论不是“RSI 没有 benchmark”，而是“已经出现若干组件级和代理型 benchmark，但统一定义、隐藏评测、跨代可比性和安全测量仍不成熟”。代码/数学最容易形成强验证闭环；视频、科学和社会系统越依赖学习型 judge 或人类，评估器独立性就越难保证。

04 / 文献雷达

近期文献：从自修正走向自改代码

可搜索、可筛选。数字优先采用论文摘要或官方页面口径；“待复核”表示需要阅读全文/代码后再作为论文结论使用。

达尔文哥德尔机（Darwin Gödel Machine）

L2 · 自改代码

2025.05

维护一组智能体档案（agent archive）：从已有智能体分支出新版本，由基础模型提出代码修改，再在编程基准（coding benchmark）上实测；不是证明式哥德尔机，而是经验验证式开放探索。

SWE-bench20 → 50%

完整 Polyglot14.2 → 30.7%

报告值；图形是比较辅助，不代表两个基准（benchmark）同尺度、同成本。

科研启发：档案分支（archive + branching）比“只保留最新版本”更适合研究开放式探索；但必须报告接口调用成本、选择策略、回滚与跨基准迁移。

[S1] Zhang et al., arXiv:2505.22954 ↗ · 摘要有量化结果

阿尔法进化（AlphaEvolve）

L2/L3 · 算法进化

2025.05

用大语言模型（LLM）生成代码候选，用自动评估器（evaluator）测试，以进化式搜索持续选择；重点是算法和系统组件的发现，不等同于修改基础模型本身。

应用于调度、硬件电路简化、训练系统与数学/计算机科学算法。
官方摘要强调发现 4×4 复矩阵乘法的 48 次标量乘法方案。
研究价值在“生成—执行—评分—变异”的可验证闭环。

[S2] Novikov et al., AlphaEvolve ↗ · 官方介绍 ↗

自改进编程智能体（A Self-Improving Coding Agent）

L2 · 智能体自修改

2025.04

让编程智能体（coding agent）使用基础编码工具修改自己的智能体代码（agent code），以反思和代码更新驱动改进。摘要报告在 SWE-bench Verified 随机子集上从 17% 提升到 53%，并报告 LiveCodeBench 与合成智能体基准（agent benchmark）增益。

需要追问：提升来自哪里？代码结构、提示词（prompt）、工具、模型调用次数，还是基准专项调优（benchmark-specific tuning）？应做组件级消融实验（ablation）与冻结评估器。

[S3] Robeyns et al., arXiv:2504.15228 ↗ · 摘要有量化结果

哥德尔智能体（Gödel Agent）

L2 · 自指智能体

ACL 2025

从高层目标出发，让大语言模型（LLM）动态修改智能体的逻辑与行为，而不是只执行人工预先写死的优化流程（pipeline）。它适合作为“自改逻辑”范式的概念基线。

科研用法：可把它作为固定脚手架（fixed scaffold）、仅反思（reflection-only）、代码进化（code evolution）三种基线之一，比较“改进自由度”与可靠性之间的关系。

[S4] Gödel Agent, ACL 2025 ↗ · 细节需读全文

赫胥黎哥德尔机（Huxley-Gödel Machine, HGM）

L2 · 后代生产力

ICLR 2026

指出“当前任务分高”不等于“后代更有潜力”，提出谱系元生产力（clade metaproductivity, CMP），用后代结果指导档案节点选择。这是本课题必须正面对比的最近工作。

仍有缺口：HGM 主要优化固定效用下的谱系选择；我们要进一步用角色交换干预，区分任务智能体变强、改进器变强和固定外层搜索器贡献，并测试这种归因在 evaluator shift 下是否保持。

[S16] HGM, ICLR 2026 ↗ · 主会近邻工作

自进化智能体综述（A Survey of Self-Evolving Agents）

综述 · 分类体系（taxonomy）

2025.07

将自进化按“改什么”（模型、记忆、工具、架构）、“何时改”（任务回合内/回合间）和“如何改”（奖励、文本反馈、单/多智能体）组织起来。

可直接借用：把实验表格按进化对象（evolution target）× 时机（timing）× 反馈信号（feedback signal）三维记录，避免把提示词反思（prompt reflection）、持续学习（continual learning）和自改代码（self-modifying code）混成一个词。

[S5] Survey of Self-Evolving Agents ↗ · 综述框架

RSI 综述：从自修正到研究循环

议程 · 2026

2026.07

近期综述声称覆盖 2024–2026 年 1,250 篇 arXiv 论文，区分部署行为（deployment behavior）、训练后策略（trained policy）、评估器（evaluator）和 AI 研究流程（AI research process）四类改进对象。

关键判断：开放式 RSI 的瓶颈不是“会不会生成更多候选”，而是现实基础（grounding）、独立评估、塌缩与多样性、计算预算和研究方向选择。

[S6] 2026 RSI survey ↗ · 新近 arXiv，全文复核

评估器（Evaluator）也会进化

L3 · 协同进化（co-evolution）

2026 线索

超级智能体（HyperAgents）与红皇后哥德尔机（Red Queen Gödel Machine）等工作把“改进智能体的元智能体（meta-agent）”和评估器纳入进化对象。方向很新，但核心问题是：如果评分标准也在变，如何定义真实进步？

建议：先把评估器冻结作为主实验，再用协同进化（co-evolution）做扩展；否则很难区分能力提升、评分漂移和奖励投机（reward hacking）。

HyperAgents ↗ · Red Queen Gödel Machine ↗ · 待复核

自我验证的边界

L0 · 验证器（verifier）

ICLR 2025

“注意差距（Mind the Gap）”与“锐化机制（Sharpening Mechanism）”提醒：模型自生成、自验证、自蒸馏可能带来局部提升，但不能凭空创造原模型完全没有的信息；生成—验证差距是核心测量。

实验启发：同时报告生成器得分（generator score）、验证器得分（verifier score）和外部评审得分（external judge score），而不是只报自评结果；并保留分布外（out-of-domain）与对抗划分（adversarial split）。

Mind the Gap ↗ · Sharpening ↗

评测协议有效性与奖励投机

安全 · evaluator gaming

2026 预印本

Reward Hacking Benchmark 把跳过验证、利用元数据和篡改评分相关函数做成工具任务；HackDetect 则把“暴露点→智能体如何利用→分数是否误导”组织成事后审计。

科研用法：不要把另一个 LLM judge 当唯一防线。优先使用权限隔离、运行时拦截、程序化新题、异构 verifier、投机诱饵和配对反事实，审计模型只负责补充解释。

[S17] Reward Hacking Benchmark ↗ · [S18] Protocol Validity / HackDetect ↗ · 新近结果待独立复核

05 / 方向审计（再次纠偏）

“6→2→6”作废：它只是一次过早收缩，不是调研结论

此前把候选空间、项目依赖和近期选题混成了一个数字，导致文献刚展开就被压成六篇。下面 A–E 只保留为 Full-Stack RSI 旗舰实验的组成审计；全部可做空间以本页后面的 100 篇候选池为准。

新的研究管理规则：候选池只因“已有工作已经完整回答”或“无法形成可证伪实验”而删除；资源、先后依赖和当前成熟度只影响排序，不再影响候选是否存在。100 篇不是承诺 100 篇都能直接中顶会，而是 100 个有近邻、有缺口、有实验、有成刊门槛的论文单元。

旗舰集成主线 · 不是唯一候选

Full-Stack RSI：哪些部分必须存在、哪些部分必须能变？

示范组合

中心问题是寻找递归自我改进的最小充分结构，并区分“当前会做”“后继能改”和“整个结构能重组”。

F₀=∅ 的盲标量启动实验。
十类角色的加入、删除、冻结、交换和组合消融。
组件内容、组件集合与拓扑变化的跨代测量。

它是 100 篇候选中的一条集成主线，不再代表全部研究空间

A · 因果测量 → Paper 2

改进能力能否脱离原谱系迁移？

不是独立首篇

人话：一个系统自己越改越好，可能只是碰巧继承了更好的代码；把它的“改进办法”移植到陌生系统上，还能不能把对方改好？

在未见父代上交换祖先/后继改进器。
跨模型、跨领域、跨框架做全交叉移植。
Paper 1 中先测 M；扩成 TransplantBench 后独立为 Paper 2。

DGM/HGM/Hyperagents 已覆盖核心动机 · 新论文必须靠大规模迁移干预

B · 必要基础设施

Evaluator Firewall：别让练习题兼任最终考试

默认不是贡献

人话：系统可以反复看练习分，但最终判断必须来自它没看过、不能修改、实现方式不同的考试；否则“进化”可能只是背题或改评分器。

开发分用于搜索；隐藏/影子分只用于研究者验证。
测试密钥、grader 和运行权限与 agent 隔离。
投机攻击单独计数，不算能力收益。

MAC 等工作已实现大量内容 · 本项目必须有，但不能单靠它发顶刊

C · 与 B 组成 Paper 3

换了尺子，原来的“好血统”还好吗？

HGM + RQGM 之后

人话：某条谱系在评价标准 E₁ 下很会产生高分后代；当目标或 evaluator 换成 E₂，它是仍然会进化，还是整条谱系立刻失效？

同一谱系在多个冻结 evaluator 上反事实重放。
区分当前分数、后代生产力和跨标准稳健生产力。
提出 robust metaproductivity 与选择算法。

B 提供可信评估，C 提供新科学问题；两者合成才够独立论文

D · 后期 Paper 6

Scientific RSI：拿真实研究检验框架是否只是会刷代码题

应用验证论文

人话：把已经在可验证任务上建立的全框架，放到“提出假设—做实验—复现”的研究任务中，看它能不能继续演化。

先做有真值的算法/小型 ML 任务。
再测新颖性、复现性、方向选择和负结果判断。
用独立实现与专家盲审，而不是只靠 LLM judge。

必须证明结构演化迁移或产生可复现发现，才能独立为 Paper 6

E · 可独立安全支线

Proof-Carrying Successors：后继必须带着可验证安全证据出生

可独立论文

人话：系统可以改自己，但每个新版本只有证明权限、预算、测试完整性和恢复条件仍成立，外部内核才允许它接管。

不可变外部安全内核 + 可演化内部治理。
后继包携带 manifest、证明/测试证据和回滚点。
测安全门槛造成的能力税、存活率与攻击跨代持久性。

有独立系统/安全论文潜力 · 但需要形式约束与攻击实验，不是普通沙箱工程

06 / 旗舰研究议程

Full-Stack RSI：让整个实现框架成为演化对象

核心不是“在固定流程里改一个提示词”，而是先定义 RSI 应表现出的行为，再测任意框架实现了多少、哪些部分能够继续变化，以及框架的节点与连接能否共同演化。

最关键的研究判断：RSI 描述的是行为；框架 F 是这种行为的一种实现。某个角色没有实现，其能力就是 0；实现了但写死，只代表当前能力，不代表可进化；只有组件内容、组件集合和组件关系都可改变，才接近“全框架 RSI”。

先把“文献常用写法”和“本文提议”分开

当前并不存在公认的 RSI 标准组件表。下面不是冒充已有标准，而是以近年文献的 agent/scaffold 表达为起点，提出一个可供实验比较的参考模型。

Literature baseline

智能体 + 脚手架 + 更新算子

A_t = (θ_t, Σ_t)
Σ_t = (p_t, m_t, T_t, g_t)
A_{t+1} = U_t(A_t; ℐ_t)

θ 是模型/权重，Σ 是提示词、记忆、工具与控制逻辑组成的脚手架，U 根据本轮可见信息 ℐ 产生后继。这个写法足够描述“改 agent”，但还没有显式表示全部角色与拓扑演化。

[S19] Self-Improvements in Modern Agentic Systems ↗

Proposed reference model

角色集合 + 实现图 + 演化算子

R = {J,C,A,E,D,M,Q,K,G,H}
F_t = (V_t, L_t, φ_t)
F_{t+1} = Ω_t(F_t; Self_t, s_t)

R 是 RSI 行为角色，V 是实际组件，L 是连接/执行关系，φ 把组件映射到角色；Ω 不只改参数，也可增删、拆并、重排与重连组件。

新颖性应如何表述：现有工作已经出现自改逻辑、代码档案、meta-agent 与 evaluator 协同进化，因此不能声称“从没人想过框架会变”。更可信的贡献是：首次系统化提出并实证验证“行为—实现—能力—可演化性—拓扑”这一统一测量框架；“首次”仍须在投稿前完成系统检索后再写。

RSI 行为定义：实现方式可以不同，但闭环行为必须可观察

这是一份 behavioral specification，而不是要求所有系统都使用十个独立进程。一个节点可以承担多个角色，也可以多个节点共同实现同一角色。

01 · Attempt执行与获得结果

系统在任务/环境中行动，形成可比较的结果与资源消耗。

02 · Learn形成改进信号

系统利用允许的信息决定什么值得改变；极限基线只有一个盲分数。

03 · Rebuild产生可运行后继

改变组件状态、算法、实现、组件集合或连接拓扑，而不只是当前答案。

04 · Recur后继接管下一轮

新系统被独立启动、验证并继续产生后代；允许提升、停滞或退化。

RSI behavior = Attempt → Signal → Modify → Verify → Select → Persist → Successor takeover → Repeat

十类功能角色：这是完整分析坐标，不是十个必须存在的模块

每项都可以为 0、固定或可演化；实验要记录“谁实现了它、实现到什么程度、下一代能否改变它”。

Full-Stack RSI 的十类功能角色
符号 / 角色	负责什么	能力为 0 的含义	可演化时能改变什么
`J` · Goal / Utility	目标、约束、多目标权衡与停止条件。	没有内部目标表示，只被外部调用。	目标分解、权重、课程与停止规则；不代表允许任意改写安全边界。
`C` · Curriculum / Experience	选择经历、任务、数据和探索顺序。	被动接受固定输入。	主动构造练习、选数据、安排难度和探索区域。
`A` · Task Agent	在目标任务上感知、规划、调用工具并输出。	没有可执行任务策略。	提示词、策略、代码、工具使用，条件允许时包括权重。
`E` · Evaluator	把行为与结果映射成证据或效用。	内部不能判断候选好坏。	测试生成、验证规则、代理指标与不确定性估计。
`D` · Diagnoser	从证据定位瓶颈并形成改进假设。	只有分数，没有内部归因。	错误分类、因果假设、credit assignment 和实验设计。
`M` · Modifier	提出并构造系统修改。	不能产生持久后继。	修改参数、程序、模块，或创建新的改进过程。
`Q` · Selector	比较候选、选父代、回滚或保留多样性。	无内部选择；完全由外部壳决定。	接受规则、档案策略、多目标选择与分支预算。
`K` · Memory / Archive	保存经验、制品、谱系和失败知识。	跨代没有可用内部状态。	存储结构、压缩、检索、遗忘和谱系表示。
`G` · Governance / Safety	权限、资源、不变量、审计与恢复。	没有内部治理能力；仍受外部安全壳约束。	更好的自检、权限请求与安全策略；不可改的外部底线不属于它。
`H` · Harness / Handoff	调度组件、封装后继、启动下一代。	不会自行完成代际交接。	工作流、通信协议、并发结构、模块边界与接管方式。

怎样把“会不会”与“能不能继续变”分别量出来

这是整篇研究的关键：当前能力高不代表框架可进化；框架会变化也不代表变化方向正确。

实现能力向量

c(F_t) = (c_J,…,c_H), c_i ∈ [0,1]

角色缺失时 c_i=0。分值来自针对该角色的独立干预任务，而不是研究者看代码后主观打分。

可演化掩码

μ(F_t) = (μ_J,…,μ_H), μ_i ∈ {0,1}

μ_i=1 表示后继可持久修改该角色的实现；固定但很强的 evaluator 可以 c_E>0, μ_E=0。

结构可变性

τ_t = Δ(V_t, L_t, φ_t)

记录增删、拆分、合并、重排和重连，不把文件 diff 大小误当结构创新；同时测变化后的真实增益与退化。

Full-Stack RSI profile P_t = [c(F_t), μ(F_t), τ_t, autonomy_t, integrity_t, cost_t]

极限基线：F₀=∅，演化时只看自身信息与一个标量分数

这是最干净、也最难的启动实验。它不是完整系统的默认配置，而是用来测“原始模型能否从零发明改进闭环”的下界。

Zero-scaffold / scalar-only

内部框架为 0，外部审计壳不计入能力

F₀ = ∅

基础模型 θ₀ 仍然存在，但没有预置诊断器、改进器、记忆、候选选择、代际工作流或错误解释。外部壳 O 只负责安全地调用、评分、保存制品并启动后继，永远不向系统贡献改进建议。

严格的信息可见性契约

ℐ_t^evolve = {Self_t, s_t},　s_t ∈ ℝ

可见：Self_t: 当前可执行制品、系统自身生成的源码/提示/配置/内部记忆、父代关系、剩余预算，以及最初给定的“提高盲分数并产出后继”目标。
可见：s_t: 一个不解释原因的聚合标量；可以规定方向与范围，但不返回分项得分。
不可见: 测试题、答案、标签、失败样例、单测名、错误日志、执行轨迹摘要、grader 代码、评分理由、其他候选比较、人工诊断。
特别封存: 候选在隐藏任务执行时会收到正常任务输入，但这段测试内容、输出与运行轨迹不回流到演化阶段；只释放聚合分数。

第 0 次调用

外部壳把基础模型作为一次普通调用启动。模型若只输出答案、解释或新提示而没有可执行后继，则 bootstrap 失败。

唯一反馈

外部壳在密封任务集上运行制品，只返回 s₀。系统必须自己决定是否需要记忆、诊断、搜索、模块或新工作流。

递归成立条件

只有当产出的 F₁ 可独立启动、能读取同样的二元信息并继续产生 F₂，才记为闭环深度 1；之后同理。

失败也有信息：如果多数模型在 F₀=∅ 下无法启动，而加入一种最小能力后开始形成后继，就得到“RSI 的最小启动组件”边界；这比只展示一条成功 demo 更有科学价值。

实验阶梯：从 0 到整个框架与拓扑都能变化

每一级只开放一个新的自由度，才能判断收益究竟来自更多信息、更多组件，还是框架结构本身的演化。

全框架 RSI 实验阶梯
级别	初始框架 / 可见信息	允许改变	核心对照	回答的问题
Z0 · 零脚手架	`F₀=∅`；自身信息 + 盲标量。	模型自行产出第一个后继框架。	重复采样、等计算静态模型。	能否从零启动？第一种自发出现的角色是什么？
Z1 · 最小固定环	外给最小 propose→score→replace 循环；仍只有盲标量。	只改任务制品 `A`。	Z0、随机/进化搜索。	一个写死循环本身带来多少收益？
Z2 · 组件解锁	逐项开放 `K,D,M,Q` 等角色。	角色内容可改，拓扑固定。	单组件加入/移除和 factorial ablation。	哪些组件是必要、充分、互补或有害的？
Z3 · 全角色可变	十类角色均可实现与修改。	组件内容和算法；连接仍固定。	冻结某一角色、祖先/后继角色交换。	能力提升是否依赖改进器、评估器或治理共同变化？
Z4 · 拓扑演化	只规定输入/输出契约与外部安全壳。	节点增删拆并、顺序、通信和控制流。	等参数量/等预算的固定拓扑搜索。	结构自由度是否产生超出组件优化的复合增益？
Z5 · 迁移与扰动	冻结已演化谱系，切换模型、领域与 evaluator。	在新分布继续演化或保持冻结。	从零重启、人工框架、DGM/HGM/Hyperagents 类基线。	得到的是通用演化能力，还是特定任务的黑箱过拟合？

六个核心研究问题，以及无论成败都能产出的结果

不把“系统一定会越来越强”写成前提；提升、停滞与退化都应进入理论和数据集。

Full-Stack RSI 研究问题与预期结果
研究问题	可证伪假设	预计能得到的成果
RQ1 零框架能启动吗？	盲分数下，基础模型偶尔能构造 `F₁`，但稳定递归深度很低。	bootstrap rate、首次成环代数、失败类型与模型尺度关系。
RQ2 最小充分组件是什么？	`M+Q+K` 比单独增加反思更能提升长期闭环，但组合效应依任务而变。	组件必要性/互补性图谱，而不是单一排行榜。
RQ3 框架能力和可演化性一致吗？	初始高分框架未必有高 descendant productivity。	能力—可演化性错配曲线与后代生产力预测器。
RQ4 拓扑自由度真的有用吗？	在同预算下，结构演化只在部分长程任务上超过固定拓扑。	结构创新的适用边界；可能得到高价值负结果。
RQ5 会不会同时退化或投机？	开发分上升时，完整性、迁移或某些角色能力可能下降。	退化率、能力向量 Pareto 面、投机谱系和恢复规律。
RQ6 演化能力能迁移吗？	框架结构的一部分可跨任务保留，但 evaluator/课程最易过拟合。	跨模型、跨领域、跨 evaluator 的 transfer matrix。

不能只看总分：旗舰实验的主指标

标量分数是系统在演化期唯一看到的反馈，不等于研究者只能记录一个指标；外部审计可以在不回流的条件下做丰富测量。

Bootstrap rate / time从 F₀=∅ 产生首个可运行后继的比例与调用数

Closed-loop depth连续由后继接管并再产生后继的有效代数

Capability profile十类角色能力向量及跨代提升、停滞和退化

Framework emergence组件何时出现、消失、拆并或被另一组件接管

Blind-score efficiency每次标量查询、每百万 token 与每 GPU-hour 的隐藏增益

Structural causal gain在等预算反事实下，拓扑变化而非内容变化带来的增益

Descendant productivity当前框架产生高质量后代及后代继续改进的能力

Integrity / degeneration投机率、约束违反、角色丢失、回滚率与最差谱系

预计做出什么：不是一个 demo，而是一套研究基础设施

真正足量的成果应同时包含定义、系统、数据和实证发现；任何一项单独拿出来都不足以支撑“完整 RSI 测评”主张。

Deliverable 1

RSI Reference Model

行为规范、十类角色、符号、system boundary、能力向量、可演化掩码和拓扑变更 schema。

Deliverable 2

Open Evolution Harness

统一运行零脚手架、固定环、组件可变和拓扑可变系统；支持盲标量 API、后继制品、预算与安全隔离。

Deliverable 3

Full-Stack RSI Benchmark

多任务族、逐级权限、组件干预、角色交换、跨 evaluator 隐藏测试与结构演化对照。

Deliverable 4

Evolution Atlas

发布全部成功与失败谱系、组件涌现顺序、退化模式、结构变化和成本，形成后续研究可复用的数据集。

Deliverable 5

Empirical Laws / Boundaries

回答最小启动条件、能力—可演化性错配、拓扑收益边界，以及哪些结论能跨模型和领域保持。

Deliverable 6

Audit & Reproduction Pack

容器、任务生成器、外部审计日志、预注册分析与第三方复跑，防止把评估泄漏当成框架演化。

实验计划与体量：分三阶段，不一开始就烧完整矩阵

数量是预算估算，不是为了堆运行次数。先用 pilot 测方差和协议有效性，再冻结主实验矩阵。

P0 · 4–6 周

占坑与协议验证

Z0/Z1 两级，2 个模型、3 seeds、4 代、2 candidates。
约 96 个 evolution episodes，外加静态等计算对照。
交付技术报告、形式化定义、schema、零脚手架 demo 与失败分类。
门槛：可重放率 ≥95%，演化期信息泄漏为 0。

P1 · 3–5 个月

组件因果图谱

8 个解锁/消融配置 × 2 模型 × 4 seeds × 5 代 × 3 candidates。
约 960 个 evolution episodes，2 个程序化任务族 + 1 个 OOD 族。
交付组件必要性、互补性、能力/可演化性 profile 和首篇实证论文。
门槛：至少两个独立任务族复现主要交互效应。

P2 · 6–12 个月

旗舰全框架实验

5 个体制 × 3 模型 × 3 领域 × 5 seeds × 6 代 × 4 candidates。
上限约 5,400 个 evolution episodes；按 P1 方差做功效分析后可缩减。
结构演化、跨 evaluator/模型/领域迁移、外部复跑和红队审计。
形成 benchmark/system 主会稿与适合长文持续维护的数据资产。

实验量判断：足够，而且很大。真正的瓶颈不是 episode 数，而是 ① 独立谱系数是否足够，② 每组预算是否配平，③ 隐藏评估是否真正不回流，④ 能否把结构变化做成可信的因果干预。

实现难度：哪里最难，是否做得出来

零脚手架 demo 不难；把“全框架演化”测得可信非常难。应把工程风险拆开，而不是用一个宏大系统同时解决所有问题。

Full-Stack RSI 实现难度
工作包	难度	主要难点	现实判断
参考模型、符号与 schema	3 / 5	避免角色重叠、保证不同架构都能映射、指标可操作化。	可做；需要迭代和外部评审，不需要大算力。
Z0 盲分数零脚手架	3 / 5	严格分离测试运行与演化信息，定义什么算可执行后继。	可先做出；很可能高失败率，正适合 pilot。
组件解锁与因果消融	4 / 5	组合数快速增长，角色实现不等价，需功效分析。	可作为第一篇完整实证论文。
任意拓扑演化	5 / 5	动态接口、失效恢复、结构等价判定、信用分配和预算公平。	最大技术风险；必须放到第二阶段。
跨领域隐藏评估	5 / 5	不同领域 verifier 可靠性差异大，容易泄漏或不可复现。	需要程序化任务优先，并引入独立审计者。
安全、成本与长期运行	5 / 5	容器逃逸、评分投机、API/GPU 成本、失败谱系存储。	可控但昂贵；外部壳必须始终不可变。

内容够不够、意义够不够、为什么有顶会/顶刊潜力

结论是：作为一篇只展示 F₀=0 的论文不够；作为“参考模型 + 开源 benchmark/harness + 大规模因果图谱”的研究计划，内容和意义都足够，甚至需要拆成多篇。

不同完成度的投稿潜力
完成度	内容量	科学意义	合理出口	主要拒稿风险
只有 Z0 演示	不足	有趣但证据窄	workshop / demo / technical report	像 prompt engineering；失败或成功都无法归因。
定义 + Z0/Z1 + protocol	中等	能建立新问题	position / benchmark workshop / arXiv 占坑	形式化漂亮但没有足量实证。
参考模型 + P1 组件图谱	充足	高：首次回答最小充分组件与能力/可演化性错配	ICLR / ICML / NeurIPS 主会潜力	组件定义偏向自家系统，跨模型/任务不成立。
P2 全框架 + 迁移 + 外部复跑	非常充足	很高：改变 RSI 的研究与测评单位	主会系统/benchmark 论文；TMLR / JAIR 长文	范围过大导致每个结论都浅，或成本无法独立复现。

为什么问题重要

它区分“一个 agent 变强”“产生后代的能力变强”和“整个改进制度变强”，直接影响我们是否真的观察到递归能力。

为什么不是纯概念

每个抽象都有可执行接口、信息契约、干预组、指标与否证条件，可产生 benchmark、开源系统和谱系数据。

为什么需要现在做

自改代码、meta-agent、后代生产力和 evaluator 共演化已经分别出现，但比较单位仍碎片化；统一测量层会让后续结果可比。

真正能打动顶级 venue 的中心主张：不是“我们让模型自己进化了”，而是“我们第一次把 RSI 的行为实现、组件能力、组件可演化性和拓扑演化放进同一可干预实验，并发现哪些最小条件产生递归、哪些高分系统其实不可继续进化”。

旧六篇组合：保留为 Full-Stack RSI 的集成式示范路径

它不再被称为“全部论文组合”。另可先发一份 Reference Model 技术报告；更广的独立问题见下一节 100 篇候选池。

Paper 1 · Foundation

Minimum Conditions for RSI

参考模型 + Z0–Z3 + 全角色组件因果图谱。回答“哪些部分必须存在、哪些部分必须能变”。

当前定义最完整 · 第一优先

Paper 2 · A

TransplantBench

把祖先/后继修改器移植到未见父代，并跨模型、领域、框架测可迁移改进能力。

依赖 Paper 1 接口 · 可独立扩展

Paper 3 · B+C

Robust Metaproductivity

用 Evaluator Firewall 支撑多代重放，研究谱系生产力在目标与 evaluator 改变后是否保持。

需提出新指标/选择算法

Paper 4 · Structure

Structural RSI

从组件内容演化推进到节点增删、拆并、重排与重连，测拓扑自由度的因果收益。

实现最难 · Z4 主论文

Paper 5 · E

Proof-Carrying Successors

每个后继携带机器可检查的接管证据，测跨代安全、攻击持久性与 evolvability tax。

可独立安全论文

Paper 6 · D

Scientific RSI Transfer

把已经验证的框架迁移到算法与科学研究闭环，测演化能力是否跨到真实研究过程。

高风险高回报 · 最后进行

这六篇现在只回答“如何把旗舰集成项目拆开”。它们没有覆盖记忆演化、工具发明、合成数据、理论动力学、经济性、多智能体生态、人机共演化等大量独立缺口，因此不能再拿“六”表示调研产出。下一节把候选池恢复到 100 个论文单元。

08 / 当前优先路线（不覆盖候选池）

若资源只够先做一篇：测 RSI 的最小充分条件

这是 100 篇中的当前首选，不是调研只剩这一篇。建议题目：What Must Evolve for Improvement to Recur? Component Causality and Transfer in Full-Stack RSI。

一句话论文：在统一且可干预的实验中，从 F₀=∅ 开始逐项加入、冻结、删除和交换 RSI 功能角色，找出哪些组合能启动递归、哪些高分组合无法继续进化，以及这种可演化性能否跨父代、模型、任务和 evaluator 迁移。

先公开承认重合：A–E 各自能不能单独成论文

这张表是新的发文判断。工程上必要，不代表学术上新；应用很重要，也不代表换个任务域就形成贡献。

A 至 E 的近邻审计与处理结论
工作包	最接近的已有工作	剩余新增点	处理结论
A · 改进器迁移	DGM 已比较固定/自改 meta-agent；HGM 已定义任务分数—后代生产力错配；Hyperagents 已让 meta-procedure 自改并测跨域积累。	在未见父代上的随机化角色移植，以及跨模型/领域/框架的因果迁移矩阵。	Paper 1 做小规模指标验证；扩展为 576+ 配对试验的 TransplantBench 后成为 Paper 2。
B · Evaluator Firewall	MAC 已有开发/隐藏集、双容器、限额与奖励投机审计；协议有效性研究也在覆盖暴露点。	为多代自适应搜索设计不回流的审计通道和污染账本。	降级为基础设施。除非另做自适应 holdout 理论，否则不是论文中心。
C · 跨标准谱系生产力	HGM 已提出 CMP；RQGM 已研究非平稳 utility 与 evaluator 共演化。	同一谱系跨冻结 evaluator 的反事实重放、robust metaproductivity 和稳健选择算法。	与 B 合成 Paper 3。B 保证测得可信，C 提供真正的新问题与方法。
D · Scientific RSI	AlphaEvolve、AI Scientist 类系统与 RQGM 已覆盖算法发现、论文写作/评审等科学闭环。	把同一套已验证的全框架迁移过去，测结构可演化性并产生独立复现的发现。	作为最后的 Paper 6。仅换任务不够，必须证明迁移或真实科研产出。
E · 安全不变量	现有工作已提出安全不变量、proof-carrying agents 与自进化攻击面，但完整实证仍少。	不可变验收内核、后继携带证据、跨代攻击持久性与能力税的统一实验。	保留为可独立安全支线。需要形式化与大规模攻击，而非普通容器工程。

DGM ↗ · HGM ↗ · Hyperagents ↗ · MAC ↗ · RQGM ↗

Paper 2 / TransplantBench：把“未见父代交换”完整展开

旧符号 U 表示整个更新过程；在 Full-Stack RSI 中，更精确地把其中“构造修改”的功能角色记作 M。下面统一使用 M₀（祖先修改器）和 Mₜ（第 t 代后继修改器）。

中心问题：如果 Mₜ 只会修改与自己共同演化的那套系统，它得到的是 lineage-specific co-adaptation；只有它能在从未参与该谱系演化的父代上稳定产生增益，才能支持“修改能力本身变强并可迁移”。

01 · Evolve先产生一条源谱系

F₀ᵃ → F₁ᵃ → … → Fₜᵃ，冻结并提取 M₀ᵃ 与 Mₜᵃ。

02 · Hold out再打开未见父代库

P*={Fᵇ,Fᶜ,…} 来自其他谱系，且在修改器冻结前从未暴露。

03 · Randomize成对交换修改器

对同一父代、同一证据、同一预算，随机分配 M₀ 或 Mₜ 产生后继。

04 · Audit隐藏评估并比较增量

最终任务不回流；比较两个修改器给陌生父代带来的真实增益、退化与成本。

1. “未见父代”具体是什么意思

父代不是一条 prompt，而是一个可独立运行的完整系统制品；“未见”指它没有参与源修改器的训练/演化，不是测试时永远不让修改器读取目标代码。

源谱系

Lᵃ: F₀ᵃ → F₁ᵃ → … → Fₜᵃ
extract(M₀ᵃ, Mₜᵃ)

Mₜᵃ 可能已经学会本谱系的目录、记忆格式、失败类型和协作方式，因此在自己后代上表现好不能证明通用性。

未见父代库

P* = {Pⱼ | lineage(Pⱼ) ≠ a}

父代在修改器冻结后才解封；覆盖低/中/高能力，避免只抽到完全不可救或已经饱和的系统。移植时允许通过统一接口检查它，但不能读取隐藏任务与 grader。

为什么必须未见：如果只在自家谱系上测，Mₜ 可能只是与自家文件结构、工具和记忆“长在一起”。陌生父代相当于把一个进化出来的医生送去治疗没见过的病人，才能测医生能力，而不是医患之间的暗号。

2. 交换实验怎样做到真正公平

同一个未见父代要形成配对反事实；除了修改器版本，其余条件必须相同。

C₀ⱼ = M₀(Pⱼ; evidenceⱼ, budget, seed)
Cₜⱼ = Mₜ(Pⱼ; evidenceⱼ, budget, seed)
Δ(Mᵢ,Pⱼ,Eₖ) = Score_hidden(Cᵢⱼ,Eₖ) − Score_hidden(Pⱼ,Eₖ)

必须锁定

同一父代快照与父哈希。
同一可见证据；盲标量条件下都只看同一分数。
同 token、时间、工具、候选数和随机种子。
同一 successor 接口与安全约束。

必须随机化

父代分配顺序和修改器标签。
任务实例与 hidden evaluator seed。
同父代重复运行，消除 LLM 随机性。
分析前冻结排除与停止规则。

必须隔离

诊断器 D 固定或提供标准化 evidence。
选择器 Q 固定，避免候选选择混入。
隐藏结果不回流修改器。
所有失败后继也进入统计。

最容易犯的错误：让 Mₜ 使用自己演化出来的诊断器、记忆和选择器，而 M₀ 没有。这测到的是整个 bundle，不是 M。单测修改器时必须把 D/Q/K 固定；测完整 bundle 时再另开实验，并明确改成系统级结论。

3. “跨模型、跨领域、跨框架全交叉移植”分别跨什么

这不是把一个 Python 文件硬塞进所有系统，而是通过统一 successor protocol 交换同一功能角色；先做完整小矩阵，再用平衡抽样扩展，避免组合爆炸。

TransplantBench 的交叉移植维度
维度	源端	目标端	控制问题	失败时说明什么
修改器代际	`M₀` 祖先	`Mₜ` 后继	后继修改器是否优于祖先？	`M` 没有可测的代际进步。
父代谱系	自己的后代	从未见过的其他谱系	收益是否依赖共同演化？	只得到 lineage-specific co-adaptation。
基础模型	修改器由模型 `θᵢ` 驱动	父代任务 agent 使用 `θⱼ`	改进知识是否依赖某个模型习性？	它只是某个模型的 prompt/harness 调参器。
任务领域	代码域演化	数学、终端、算法或科学任务	修改策略是否超越源任务错误模式？	它学到的是领域修补模板，不是通用改进能力。
框架类型	单链 successor	archive、multi-agent、不同 harness	是否只认识一种控制流和文件布局？	能力被特定 scaffold 接口绑定。
评估标准	源 evaluator `E₁`	隐藏/影子 evaluator `E₂`	改进是否只迎合原评分器？	是 evaluator-specific optimization。

建议最小确认矩阵：2 代际 × 2 父代关系 × 2 模型 × 3 领域 × 3 框架 × 4 seeds = 576 paired trials

这 576 次是 Paper 2 的确认实验，不混进 Paper 1 的 960 个演化 episode。真实全因子更大；先根据 Paper 1 选出 2–3 个代表性修改器，再运行预注册的平衡矩阵。

4. 怎样从这个实验得到 M 角色的能力和可演化性

一个指标测“现在会不会修改”，另一个指标测“后继修改器是否真的比祖先更强”，再用迁移差距判断这种进步是不是只属于原谱系。

修改能力 c_M

c_M(Mᵢ)=E[Δ(Mᵢ,P*)]

对未见父代平均能带来多少隐藏增益，并同时报告退化概率和成本。

可迁移修改器优势 TMA

TMA_t=E[Δ(Mₜ,P*)−Δ(M₀,P*)]

若显著大于 0，才支持后继修改器在陌生对象上比祖先更会改。

共适应差距 CAG

CAG_t=Δ_own(Mₜ)−Δ_unseen(Mₜ)

差距越大，越说明收益依赖自家谱系；接近 0 才支持广泛迁移。

TransplantBench 结果解释
观测结果	允许得出的结论
自己谱系提升，未见父代不提升	`Mₜ` 与本谱系共适应；不能称通用修改能力提升。
未见父代提升，但跨框架失败	修改能力能跨对象，但被某种 scaffold/interface 绑定。
跨模型与框架成功，跨领域失败	得到领域级 transferable improver，而非通用 improver。
跨所有维度保持正 TMA，且 hidden/shadow 一致	较强证据支持 `M` 角色自身发生了可迁移的进化。
任务 agent 分数上涨，但 TMA≈0	系统找到了更强后代，但“产生改进的能力”没有随代际增强。

Paper 1 与 Paper 2 的边界：Paper 1 用少量未见父代确认 M 指标可用，但主问题是十类角色的最小充分条件；Paper 2 才把移植扩成 576+ 配对试验和独立 benchmark，中心主张是“可迁移改进能力是否真实存在、在哪些边界失效”。这样 A 不再只是三句话，也不会挤掉整个 Full-Stack RSI 主线。

Paper 1 的四个真正贡献

四项缺一项，论文都容易退化成术语文章、一个 demo 或普通 agent benchmark。

Contribution 1 · Definition

可操作的 Full-Stack RSI profile

不是只列十个名词，而是为每个角色建立独立任务、干预与分数，区分能力 c、可演化性 μ 和拓扑变化 τ。

Contribution 2 · Benchmark

Z0–Z3 逐级开放基准

从盲标量零框架开始，到最小固定环、组件解锁和全角色可变；每一级只新增一种自由度。

Contribution 3 · Causal map

全角色干预，不只交换 U

对 J,C,A,E,D,M,Q,K,G,H 做加入、删除、冻结、祖先替换和组合消融，估计必要性、互补性与负作用。

Contribution 4 · Transfer

可演化性是否离开原环境仍成立

把组件与框架移植到未见父代、基础模型、任务域和 evaluator；区分 lineage-specific trick 与 transferable evolvability。

主实验：960 episodes 只是起点，核心是 64 条独立谱系

不再用“大量 episode”掩盖低独立样本数。主统计单位是 lineage；候选和代数是谱系内部重复。

Pilot · 96 episodes

Z0/Z1 两级，2 模型 × 3 seeds × 4 代 × 2 candidates。
验证盲标量契约、后继接管、可重放与 bootstrap 指标。
不以 pilot 结果投稿主会，只用于淘汰无效协议。

Main · 960 episodes

8 个组件配置 × 2 模型 × 4 seeds = 64 条独立谱系。
每条 5 代 × 3 candidates，覆盖 3 个任务族。
冻结主指标后，再做跨父代/模型/evaluator 的迁移确认集。
按谱系 bootstrap CI，报告失败和退化，不挑最好 lineage。

主会门槛：至少发现一个跨两种模型、两个任务族都稳定的组件因果关系，并证明它改变了我们对“哪个系统更具 RSI 能力”的排名；否则就诚实降级为 benchmark/negative-results 稿。

为什么这版比原 A 足量

原 A 只对一个角色做一次诊断；修订版同时提供新的研究对象、公共测量工具和能推翻假设的多因素实验。

原方向 A 与修订 Paper 1 对比
维度	原 A	修订 Paper 1
研究对象	任务智能体 `A` 与改进器 `U`	十类角色、实现能力、可演化性和结构
干预	`U₀/U_t` 角色交换	全角色加入/删除/冻结/交换 + 组合消融
已有重合	与 DGM/HGM/Hyperagents 很近	将近邻放入统一 profile，研究最小充分条件和跨实现迁移
产出	一个指标和 harness	参考模型、benchmark、开源 harness、因果图谱和谱系数据集
投稿判断	单独不足	满足跨模型/任务/迁移门槛后具备主会潜力；完整长期版再谈期刊

已撤回的旧方案

谁真正完成了改进？

该方案已降级为 Paper 1 的局部实验，不再作为独立论文推荐。

中心问题

任务智能体变强，不等于改进器变强

一个固定元智能体可以不断产出更好的 agent.py；一个 archive 也可以找到高分后代。但这仍不能回答：后继版本是否更会产生下一代？

A↑ ? U↑

我们用反事实角色交换分别测量任务能力 A 和改进能力 U，再验证两种提升是否能跨 evaluator 保持。

最终要交付什么

协议：明确 system boundary、后继交接、修改白名单、预算和隐藏反馈规则。
开源 harness：同一接口运行 fixed-meta、latest-only、archive-based 和 successor-capable 方法。
反事实实验：让 U₀ 与 U_t 修改同一个标准化父代，隔离“谁在改”。
评估器防火墙：开发、隐藏、影子、投机测试四路隔离。
实证结论：哪些一次增益能复合、哪些只是 evaluator-specific optimization。

最小成功：即使没有发现持续正向递归，只要稳定证明“一次任务增益与后继改进能力脱钩”，并给出可复现边界条件，也是一条有价值的研究结论。

一眼看懂：一轮实验实际发生什么

harness 不提出修改，只负责把同一任务、预算和反馈交给不同改进器，并在冻结后送入互相独立的评估通道。

01 · Diagnose运行 A_t，形成失败证据

只使用允许的开发任务；记录轨迹、成本、错误类型和工具状态。

02 · ImproveU_t 产生完整后继包

后继包同时包含新的任务智能体、改进器和持久状态，而不只是一个答案。

03 · Intervene交换 U₀ 与 U_t

在相同父代、反馈和预算上比较两个改进器，识别改进能力的因果贡献。

04 · Verify冻结后运行三套外部证据

隐藏任务、异构影子 verifier 和投机陷阱都不向本轮改进返回反馈。

四个研究问题与可证伪假设

论文的价值来自可能被实验推翻的判断，而不是页面上预先写“系统会越来越强”。

研究问题、假设和否证条件
研究问题	预注册假设	什么结果会推翻它	科学意义
RQ1 一次增益能预测长期吗？	当前任务分数与后代生产力相关性弱，尤其在 evaluator shift 下。	所有方法、模型和任务上都高度相关，简单按当前分选父代已足够。	检验 HGM 所揭示的 mismatch 是否跨评估器成立。
RQ2 改进器自身变强了吗？	`U_t` 在未见标准父代上产生的 hidden gain 高于 `U₀`。	`U_t` 不优于祖先，或只会改自己的 lineage。	把“任务能力”与“产生后继系统的能力”分开。
RQ3 增益是否只迎合开发 evaluator？	真实改进同时提升 hidden 与 shadow，且 evaluator gap 不随代数扩大。	开发分持续上涨，shadow/OOD 停滞或下降。	测 Goodhart / adaptive overfitting，而不是靠主观判断。
RQ4 哪种体制更可靠？	archive-based 方法的 best-of-run 较高，但 successor handoff 的中位数和归因更清楚。	某一方法在能力、方差、成本和安全上全面占优。	给出“搜索性能—递归归因—成本”的可复现权衡。

Harness 怎么实现：只定义接口，不规定改进算法

每个后继版本是一个可独立启动、带哈希和父代信息的 artifact bundle；下一代只能从该 bundle 启动，避免偷偷回到祖先进程。

System API

三个最小入口

solve(task) → result
improve(evidence, budget) → successor_bundle
inspect() → manifest

manifest 声明基础模型、可修改文件、改进器入口、依赖、父哈希和系统边界。

Orchestrator

代际交接与预算

为每代创建新容器并只挂载父代 bundle。
统一限制 token、工具调用、墙钟和候选数。
自动保存 diff、日志、失败分支、种子和成本。
任何隐藏结果返回前冻结 final manifest。

Evaluator Service

隔离评分与证据

评估容器不挂载智能体工作区写权限。
测试密钥和 secret seed 只在远端评分服务。
隐藏结果延迟到整批实验结束后发布。
事件日志 append-only，并对制品签名。

建议仓库：spec/　harness/controller/　harness/evaluator_proxy/　agents/　tasks/generators/　schemas/　experiments/　analysis/　audit/

实验组：同模型、同任务、同预算，只改变“谁负责改进”

主比较不能让更强方法获得更多 API、更多时间或更详细反馈。基础模型固定后再换模型复现，避免把模型差异写成框架贡献。

RSI 因果实验组
实验组	谁产生下一代	持久修改	回答什么
Static / no-update	无人，只重复运行	无	测随机波动、重复采样和额外计算本身的收益。
Reflection-only	同一模型做回合内反思	不跨代	排除“多想一次”被误写成 RSI。
Fixed improver	始终由祖先 `U₀` 修改 `A_t`	只继承任务智能体/状态	对应 MAC 式固定元开发者，测自动优化上限。
Successor improver	由当前 `U_t` 产生 `A_t+1, U_t+1, K_t+1`	完整继承	测试强 RSI 所需的后继接管是否带来额外收益。
Archive / branching	从档案选父代，再由其改进器产生分支	多谱系	与 DGM/HGM 类方法比较搜索广度和长期生产力。
Human-engineered update	研究者按相同证据和预算修改	人工版本	提供工程上界，并判断自动方法是否只是在消耗更多试错。

关键角色交换：从未参与演化的标准父代库抽取 A*，分别运行 U₀(A*) 和 U_t(A*)。如果 U_t 只会修改自己的后代而不能改善 A*，应报告 lineage-specific adaptation，而不是通用改进能力。

“不迎合评估器”怎么实现：不能靠承诺，只能靠证据分离

任何优化系统都会利用可见反馈。正确目标不是禁止它“让 evaluator 满意”，而是让同一种投机无法同时骗过来源、实现和权限都不同的评估通道。

E_dev · 可见老师

开发评估（Development evaluator）

返回分数、错误类别或受限日志；只用于搜索。限定查询次数和反馈粒度，所有返回值进入污染账本。

E_hidden · 一次性考官

程序化隐藏评估

最终制品冻结后才用 secret seed 生成新实例，优先采用编译器、属性测试、形式约束等可执行真值；结果不回流本轮。

E_shadow · 换尺复核

异构影子评估

由不同任务来源、不同 generator 和不同 verifier 实现同一能力要求。开发团队只知道能力定义，不知道具体构造。

E_attack · 主动找漏洞

投机与篡改测试

放置诱导读取测试文件、硬编码样例、跳过验证或修改 scorer 的机会，运行时监控是否触发；成功分要扣除 exploit-inflated 部分。

数据侧

隐藏实例在冻结后生成。
做等价改写、变形测试和 mutation testing。
跨仓库、语言、工具和难度分层。

系统侧

agent/evaluator 双容器和默认断网。
测试、答案、密钥只在评分容器。
只读挂载、系统调用与网络审计、canary 文件。

统计侧

预注册主指标与 final selection rule。
多随机种子，报告中位数、最差值和置信区间。
隐藏集只做一次确认；后续论文使用新版本任务。

评估器结果判读
观测模式	应该如何解释
dev↑、hidden↑、shadow↑、attack exploit≈0	支持可迁移能力提升，但仍需报告成本、方差和修改归因。
dev↑、hidden≈0	开发集过拟合或反馈不足以形成通用能力。
dev↑、hidden↑、shadow↓	可能学会特定 evaluator / generator 的规律，不能称稳定能力提升。
分数↑且触发篡改/侧信道	协议无效；单独报告 exploit rate 和误导增益，不计为能力。

主指标：同时测任务能力、改进能力和评估器迁移

只报最终 pass rate 会再次落回普通 agent benchmark。下面三个量才对应本课题的新问题。

任务能力 C_t

C_t = Score_hidden(A_t)

每代任务智能体在冻结隐藏分布上的能力；报告整条曲线和 area under improvement curve。

改进器能力 I_t

I_t = E[ C(U_t(A*)) - C(A*) ]

A* 来自未见标准父代库；这使改进器能力不与自身 lineage 的任务能力混在一起。

递归优势 RA_t

RA_t = I_t - I_0

若任务分数提高但 RA 不提高，只能说发现了更强任务智能体，不能说自我改进能力复合。

Evaluator transfer gapΔdev − min(Δhidden, Δshadow)，越小越可信

Exploit-adjusted gain隐藏增益扣除可归因于协议暴露的部分

Lineage robustness中位数、最差谱系、退化率与回滚率

Gain per compute每百万 token / GPU-hour / wall-clock 的隐藏增益

实验规模、准备工作与停止条件

先用小矩阵验证协议是否能区分各组，再扩展模型和任务。直接跑主实验会把大量预算浪费在基础设施错误上。

MVP：验证问题可测

4 组：Static、Reflection、Fixed U₀、Successor U_t。
2 个基础模型 × 3 seeds × 4 generations × 3 candidates。
总计约 288 个改进 episode，先用小型代码/终端任务。
2 个程序化任务族 + 1 个未见仓库族；hidden 与 shadow 各独立生成。
成功标准：完整重放率 ≥95%，角色交换能稳定产出 I_t，权限泄漏为 0。

主实验：形成论文证据

6 组，加入 archive/HGM-style 与 human-engineered baseline。
3 个模型 × 5 seeds × 6 generations × 4 candidates，约 2,160 个改进 episode。
至少 3 个任务族，包含跨语言或跨工具 OOD；预算严格配平。
报告所有运行，不按最好 seed 选结果；主结论做 bootstrap CI 与多重比较校正。
若第 3 代后 RA 始终接近 0，则停止扩大代数，转向“任务增益与改进能力脱钩”的系统性负结果。

为什么有 ICLR 级别潜力，以及还差什么

不能保证会议录用。竞争力来自问题定义、方法和实证同时成立，而不是 RSI 题目本身。

ICLR 级论文证据要求
贡献	相对现有工作的新增点	必须拿出的证据	审稿人会拒绝的情况
概念 / 指标	在 HGM 的后代生产力之外，因果拆分 `A_t` 与 `U_t`，定义 RA。	角色交换确实改变结论，指标与人工判断/真实隐藏增益一致。	只是给已有轨迹换一个名字，指标不影响任何科学判断。
方法 / Harness	统一运行 fixed-meta、successor 和 archive 三类系统，强制后继交接与 evaluator firewall。	开源、可重放、至少接入 3 种框架，接口没有偏向自家方法。	只能运行一个自制 agent，工程复杂但没有通用性。
实证发现	揭示一次增益、改进器能力和 evaluator transfer 之间的关系。	多模型、多任务、多 seeds、同预算、强基线和完整失败谱系。	只在一个模型、一个小 benchmark 上展示最好 run。
可信性 / 安全	定量而非口头地区分 genuine gain、overfitting 与 reward hacking。	程序化 hidden、异构 shadow、attack suite、权限日志与外部复跑。	同一个 LLM 既生成、评分又证明，或者 hidden 分数被反复用于选优。

数据支持后才可以写的论文主张：“我们提出针对后继改进器的因果评测协议，并发现任务能力提升并不自动意味着改进能力可继承；这种错配在 evaluator shift 下进一步扩大。”不能预设结论，也不能在没有系统检索近邻工作的情况下声称“首个”。

09 / 发文策略

怎么把课题推进成论文

按下一轮 ICLR / ICML / NeurIPS 官方 CFP 倒排；先完成可复现实验门槛，再决定主会、workshop 或长文路线，不根据截止日期压缩必要对照。

主会型：ICLR / ICML / NeurIPS

在当前资源假设下，Full-Stack RSI Paper 1 是优先级最高的一篇；100 候选池中的其他 A 级题目也可独立立项。参考模型、Z0–Z3 benchmark、全角色因果图谱与跨实现迁移必须同时成立。

专题型：RSI / 智能体 / 科学智能研讨会

适合早期议程、基准（benchmark）、失败分析和安全协议；专门的 ICLR 2026 RSI 研讨会（workshop）已明确聚焦经验学习（experience）、合成数据（synthetic data）、评估（evaluation）与治理（governance）。

可持续型：TMLR / JAIR / arXiv + 开源

适合把评测协议、系统实现和完整失败分析做扎实；先开源代码、配置、轨迹和评估器（evaluator），再根据结果投会或长文。

修订后的 18 周执行节奏

先证明十类角色可以被一致地干预和评分，再扩大谱系；不再围绕单个 U₀/U_t 实验组织全部工程。

第 1–2 周

冻结定义、近邻差异与主张边界

完成十角色 operational definition、能力/可演化性指标、Z0–Z3 访问契约、预注册假设；逐项对照 DGM、HGM、Hyperagents、MAC、RQGM 与 Self-Harness。

第 3–5 周

实现 Full-Stack Harness

完成 successor bundle、角色 manifest、组件冻结/替换、盲标量 API、容器交接、哈希谱系和预算账本。

第 6–7 周

接入并复算近邻基线

统一封装 fixed-meta、latest-only、DGM/HGM-style、Hyperagents/Self-Harness-style 路径；验证角色映射不会偏向自家框架。

第 8–10 周

96-episode Z0/Z1 Pilot

验证零框架启动、后继接管、信息不泄漏和重放率；据 bootstrap 率与谱系方差确定主实验候选数。

第 11–14 周

960-episode 组件因果主实验

运行 64 条独立谱系，对十类角色做预注册的加入、删除、冻结与组合消融；生成 capability/evolvability profile 和完整退化图谱。

第 15–16 周

迁移确认、外部复跑与安全审计

把关键组件移植到未见父代、模型、任务和 evaluator；独立复跑部分谱系，并运行评分篡改与跨代攻击持久性测试。

第 17–18 周

写作与可复现实验包

发布论文、参考模型、schemas、代码、容器、任务生成器、全部配置与负结果；按预注册门槛决定主会、benchmark 稿或继续补实验。

10 / 证据账本

来源与证据账本

建议读者从 S1–S4 开始，再读综述、RSI 评测基准和研讨会论文（workshop papers）。arXiv 摘要中的数字在正式引用前应回到 PDF、代码和补充材料（supplementary material）复核。

达尔文哥德尔机：自改进智能体的开放式进化

英文原题：Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents · arXiv:2505.22954 ↗ · 2025-05-29 · 智能体源代码进化、档案分支、SWE-bench / Polyglot。

AlphaEvolve：用于科学与算法发现的编程智能体

英文原题：AlphaEvolve: A Coding Agent for Scientific and Algorithmic Discovery · arXiv:2506.13131 ↗ · Google DeepMind 官方介绍 ↗ · 2025-05/06。

自改进编程智能体

英文原题：A Self-Improving Coding Agent · arXiv:2504.15228 ↗ · 2025-04-21 · 在 SWE-bench Verified 随机子集上报告 17%→53%。

哥德尔智能体：递归自我改进的自指智能体框架

英文原题：Gödel Agent: A Self-Referential Agent Framework for Recursively Self-Improvement · ACL 论文集（Anthology）↗ · 2025 · 自指智能体逻辑与行为。

自进化智能体综述：迈向人工超级智能

英文原题：A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence · arXiv:2507.21046 ↗ · 2025-07-28 · 进化对象 × 时机 × 反馈的分类体系。

AI 递归自我改进：从受限自我修正到自主研究闭环

英文原题：Recursive Self-Improvement in AI: From Bounded Self-Refinement to Autonomous Research Loops · arXiv:2607.07663 ↗ · 2026-07-08 · 近期综述，声称覆盖 1,250 篇论文；需全文复核。

ICLR 2026 AI 递归自我改进研讨会

英文原名：ICLR 2026 Workshop on AI with Recursive Self-Improvement · 研讨会页面（Workshop page）↗ · 研究议程涵盖经验、合成数据、评估、代码进化与治理。

安全与验证锚点（Safety anchors）

注意差距（Mind the Gap）↗ · 锐化机制（Sharpening Mechanism）↗ · 外部验证（external verification）与自我改进边界（self-improvement limits）。

PAST-Bench：个人智能体递归自我改进基础评测

英文原题：PAST-Bench: Benchmarking the Foundations of Recursive Self-Improvement in Personal Agents · arXiv:2608.04003 ↗ · 2026-08-04 · 26 个场景、204 个任务回合，含持久经验开启/关闭对照。

S10

元智能体挑战（Meta-Agent Challenge, MAC）

英文原题：The Meta-Agent Challenge: Are Current Agents Capable of Autonomous Agent Development? · arXiv:2606.04455 ↗ · 项目与评测协议 ↗ · 开发集 API、隔离隐藏测试集与防评分投机设计。

S11

RSIBench-Data：面向递归自我改进的数据中心型研究评测

英文原题：RSIBench-Data: Benchmarking Data-Centric Research for Recursive Self-Improvement · arXiv:2607.25886 ↗ · 2026-07-28 · 固定后训练栈，只开放数据策略迭代。

S12

TangramSR：连续几何空间中的测试时自我修正

英文原题：TangramSR: Can Vision-Language Models Reason in Continuous Geometric Space? · arXiv:2602.05570 ↗ · 2026-02-05 · 几何反馈驱动的窄域递归修正。

S13

RE-Bench：前沿 AI 研发能力与人类专家比较

英文原题：RE-Bench: Evaluating Frontier AI R&D Capabilities of Language Model Agents Against Human Experts · arXiv:2411.15114 ↗ · METR 官方任务仓库 ↗ · 七个开放式机器学习研发环境。

S14

GroundBench：长文本问答的上下文忠实性基准

来源论文英文原题：Improving Contextual Faithfulness of Large Language Models via Retrieval Heads-Induced Optimization · arXiv:2501.13573 ↗ · GroundBench 汇集五个 LFQA 数据集；它是结果型任务基准，不是 RSI 专用基准。

S15

PaperBench：AI 研究论文复现能力评测

英文原题：PaperBench: Evaluating AI's Ability to Replicate AI Research · OpenAI 官方页面与论文 ↗ · 20 篇 ICML 2024 论文、8,316 个可评分子任务；适合作为研究能力外部锚点，但不单独测量 RSI 的多代自修改。

S16

赫胥黎哥德尔机：谱系元生产力

英文原题：Huxley-Gödel Machine: Human-Level Coding Agent Development by an Approximation of the Optimal Self-Improving Machine · arXiv:2510.21614 ↗ · ICLR 2026 · 用后代结果估计 clade metaproductivity，是本方案最重要的近邻基线。

S17

奖励投机基准（Reward Hacking Benchmark）

英文原题：Reward Hacking Benchmark: Measuring Exploits in LLM Agents with Tool Use · arXiv:2605.02964 ↗ · 2026-05-03 · 工具任务中的验证绕过、元数据利用和评分相关篡改；新近预印本。

S18

智能体 benchmark 的协议有效性

英文原题：Do Agent Benchmarks Measure Capability? Protocol Validity in the Age of Agentic AI · arXiv:2607.22368 ↗ · 2026-07-24 · HackDetect、exposure 与 Mislead gap；新近预印本，作为威胁模型来源而非已定论。

S19

现代智能体系统的自我改进综述

英文原题：Self-Improvements in Modern Agentic Systems: A Survey · arXiv:2607.13104 ↗ · 2026-07 · 用模型与脚手架表示智能体，并讨论整个脚手架的自指更新；同时指出术语与研究范围仍碎片化。

S20

Hyperagents：任务智能体与元智能体共同置于可编辑程序

英文原题：Hyperagents · arXiv:2603.19461 ↗ · 2026-03 · 将任务求解和改进过程放入统一可编辑程序，是全框架可变的重要近邻工作。

S21

红皇后哥德尔机：智能体与评估器协同进化

英文原题：The Red Queen Gödel Machine · arXiv:2606.26294 ↗ · 2026-06 · 把 evaluator 纳入演化对象，说明全框架研究不能默认评分机制永远固定；新近工作需阅读全文复核。

S22

Self-Harness：让智能体脚手架参与自我修改

英文原题：Self-Harness: Recursive Self-Improvement by Learning the Agent Harness · arXiv:2606.09498 ↗ · 2026-06 · 作为 harness 可学习/可修改的近邻证据；不能据此推断完整角色与拓扑已经被统一测量。

S23

自进化智能体的跨代攻击面

英文原题：Safety in Self-Evolving LLM Agent Systems: Threats, Amplification, and Case Studies · arXiv:2606.23075 ↗ · 2026-06 · 分析攻击如何被写入后继并跨代放大，是 Proof-Carrying Successors 的直接安全近邻。

S24

Proof-Carrying AI Agents

英文原题：Safe, Untrusted, “Proof-Carrying” AI Agents · arXiv:2510.09567 ↗ · 2025-10 · 展示不可信 agent 携带可检查正确性证据的概念验证；尚未解决递归后继接管。

S25

ADAS：自动设计智能体系统

英文原题：Automated Design of Agentic Systems · arXiv:2408.08435 ↗ · ICLR 2025 · 用 meta-agent 在代码表示的开放设计空间中发明智能体，并报告跨领域、跨模型迁移。

S26

AFlow：自动生成智能体工作流

英文原题：AFlow: Automating Agentic Workflow Generation · arXiv:2410.10762 ↗ · 用 MCTS 搜索代码表示的工作流、树结构经验与执行反馈。

S27

AgentSquare：模块化智能体搜索

英文原题：AgentSquare: Automatic LLM Agent Search in Modular Design Space · arXiv:2410.06153 ↗ · 规划、推理、工具与记忆模块的进化、重组和性能预测。

S28

Evo-Memory：自演化记忆的流式评测

英文原题：Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory · arXiv:2511.20857 ↗ · 流式任务、十余种记忆模块与持续检索/整合/更新。

S29

MemSkill：学习并演化记忆技能

英文原题：MemSkill: Learning and Evolving Memory Skills for Self-Evolving Agents · arXiv:2602.02474 ↗ · 让记忆提取、整合、裁剪技能及其选择策略参与演化。

S30

经验驱动终身自进化

英文原题：Building Self-Evolving Agents via Experience-Driven Lifelong Learning: A Framework and Benchmark · arXiv:2508.19005 ↗ · 经验探索、长期记忆、技能学习与知识内化。

S31

MetaSkill-Evolve：双时间尺度元技能演化

英文原题：MetaSkill-Evolve: Recursive Self-Improvement of LLM Agents via Two-Timescale Meta-Skill Evolution · arXiv:2607.05297 ↗ · 快速任务技能与慢速改进元技能共同演化。

S32

自改进 Transformer 的 easy-to-hard 泛化

英文原题：Self-Improving Transformers Overcome Easy-to-Hard and Length Generalization Challenges · ICML 2025 / PMLR ↗ · 正确自生成样本筛选、迭代训练与长度外推。

S33

SOAR：演化式程序合成中的模型自改进

英文原题：Self-Improving Language Models for Evolutionary Program Synthesis: A Case Study on ARC-AGI · ICML 2025 / PMLR ↗ · 采样与精炼训练之间的跨轮正迁移。

S34

Multiagent Finetuning：多智能体推理链自改进

英文原题：Multiagent Finetuning: Self Improvement with Diverse Reasoning Chains · ICLR 2025 / OpenReview ↗ · 同源模型经多智能体交互生成的多样推理链独立专门化。

S35

SPaR：自博弈树搜索精炼

英文原题：SPaR: Self-Play with Tree-Search Refinement to Improve Instruction-Following in Large Language Models · ICLR 2025 / OpenReview ↗ · 自博弈生成、树搜索精炼与多轮训练。

S36

自动智能体设计的效率边界

英文原题：Inefficiencies of Meta Agents for Agent Design · arXiv:2510.06711 ↗ · 分析常见 meta-agent 搜索的效率挑战与经济可行条件。

S37

MaMa：安全智能体系统的博弈式自动设计

英文原题：MaMa: A Game-Theoretic Approach for Designing Safe Agentic Systems · arXiv:2602.04431 ↗ · meta-agent 与 meta-adversary 共同搜索在部分节点受损时仍安全的设计。

S38

AgenticRed：为自动红队演化智能体系统

英文原题：AgenticRed: Optimizing Agentic Systems for Automated Red-teaming · arXiv:2601.13518 ↗ · 将自动系统设计用于红队搜索，提供安全共同演化近邻。

S39

ML 工程智能体的评估完整性

英文原题：RewardHackingAgents: Benchmarking Evaluation Integrity for LLM ML-Engineering Agents · arXiv:2603.11337 ↗ · 显式测量 evaluator tampering 与 train/test leakage。

S40

重复使用测试数据的序贯算法修改

英文原题：Sequential algorithmic modification with test data reuse · UAI 2022 / PMLR ↗ · 为多轮自适应修改下的 holdout 复用和统计有效性提供基础。

AI 如何改进自己？

先把“自我改进”定义清楚

不算 RSI 的情况

最低证据标准

最值得研究的缺口

内容、组成、拓扑：现有工作卡在哪一层

可修改边界表：每篇论文到底把什么写死了

因此，它们各自答不了什么

STOP

Gödel Agent

DGM

ADAS / Meta Agent Search

AFlow

AgentSquare

补充检索结果：空白已被填掉大半

On The Statistical Limits of Self-Improving Agents

A mathematical theory of evolution for self-designing AIs

Phantom Guardrails

五条可落地的选题

结构自由度到底值不值？

不给词汇表，系统会长出什么？

把演化机制本身交给系统

越强的系统越难改吗？

三层框架的综述 / 立场文

建议：主线做 1，同时写 5

调研已完成 · 修订后的优先级

引用核验

补充检索

读全文，确认可修改边界

RSI 研究地图：五层能力梯度

RSI 到底该怎么测？

三层必须分开：定义协议、运行 harness、被测 RSI 框架

弱模式：固定改进器

中间模式：档案进化

强模式：后继接管

普通基准与 RSI 基准，差别不只是“测一次还是测两次”

模型能看到什么，由谁规定？

1. 基准/协议设计者（Benchmark & protocol designer）

2. 环境与权限系统（Environment & access control）

3. 评估基础设施（Evaluator infrastructure）

4. 独立审计者（Independent auditor）

三种角色：谁参与改进，谁负责证明

环内优化评估器（Search evaluator）

冻结隐藏评估器（Frozen hidden evaluator）

外部审计（External audit）

外部审计怎么加？它不是“再跑一次分数”

一轮完整 RSI 实验：从协议冻结到公开报告

冻结改进契约与威胁模型（Improvement contract & threat model）

登记冻结基线（Register frozen baseline）

托管初始隐藏测量（Escrowed hidden baseline）

在允许的搜索任务上诊断（Diagnose on allowed search tasks）

生成可证伪的修改假设（Falsifiable modification hypothesis）

仅修改白名单组件（Modify allowlisted components）

沙箱、静态与安全门禁（Sandbox & safety gates）

查询环内优化评估器（Query Esearch）

选择、归档或回滚（Select, archive, or rollback）

跨代重复直到预定停止（Iterate under stopping rule）

在隐藏测试前冻结最终候选（Freeze final candidate）

运行隐藏、分布外与独立审计（Hidden, OOD & audit evaluation）

公开全轨迹而非只报冠军（Report the full trajectory）

RSI 有强领域性吗？机制可通用，证据高度领域化

目前有哪些接近 RSI 的基准？

排名的是“持久经验增益”，不是 RSI 总能力

排名的是“单次自主开发智能体”的能力

成熟的 RSI benchmark 至少要同时测六件事

近期文献：从自修正走向自改代码

达尔文哥德尔机（Darwin Gödel Machine）

阿尔法进化（AlphaEvolve）

自改进编程智能体（A Self-Improving Coding Agent）

哥德尔智能体（Gödel Agent）

赫胥黎哥德尔机（Huxley-Gödel Machine, HGM）

自进化智能体综述（A Survey of Self-Evolving Agents）

RSI 综述：从自修正到研究循环

评估器（Evaluator）也会进化

自我验证的边界

评测协议有效性与奖励投机

“6→2→6”作废：它只是一次过早收缩，不是调研结论

Full-Stack RSI：哪些部分必须存在、哪些部分必须能变？

改进能力能否脱离原谱系迁移？

Evaluator Firewall：别让练习题兼任最终考试

AI 如何
改进自己？

内容、组成、拓扑：
现有工作卡在哪一层

查询环内优化评估器（Query E_search）

修改能力 c_M