AReaL-RSI：不改权重组织代理研究团队的递归自我改进框架

Wenhao Zhou 等在 arXiv:2610.18083 发布 AReaL-RSI 论文，提出一种在不更新骨干大语言模型权重的情况下组织持续研究团队的方法，核心机制包括领导者代理、差异化记忆共享和基于证据的复盘。 基于论文摘要，在与 Codex-Goal 的对比实验中使用两个骨干模型：在报告的资源配置下，每个骨干模型的 Terminal Bench 成绩提高 2.2 个百分点，KernelBench 平均加速提高 32.2% 至 36.8%；相较独立探索和仅共享经验的方案，内核延迟分别降低 1.9% 至 27.5% 和 1.3% 至 33.9%。实验覆盖下游 harness 优化、GPU 内核优化和 AI 研究任务。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。