事件专题 ·单一信源

Google 论文提出持续递归自我改进方法,Self-Improvement Memory 让 harness 优化跨模型迁移

Google 发表一篇关于递归自我改进(RSI)的论文,提出在 harness 层面实现持续递归自我改进的方法,并配套设计了 Self-Improvement Memory(SIM)记忆系统。SIM 将过去的编辑按其解决的 harness 问题分组,每条编辑存储修改理由、预测结果、观察结果和评估上下文,proposer 和 selector 在做出新改动前都会读取这份记忆。实验显示,harness 优化器记住每次历史编辑的原因后,10 次持续运行中有 9 次得到改进。论文也指出了跨模型迁移的常见问题:一个由 Opus 演化出的 harness 在 Gemini 上起始仅 68.41 分,低于原始 seed harness 的 73.89 分。在四个领域的评测中,包括 Terminal-Bench 2.1 到 Terminal-Bench 4 的跨数据集测试和 Opus 到 Gemini 的迁移场景,SIM 在六个跨数据集和四个 Opus 到 Gemini 的设置中优于仅依赖 harness 本身继续演化。在十次编码运行中,SIM 平均带来 2.36 分的提升(p=0.003)。论文的核心观点是:如果要让 harness 自动演化,就应该把每次编辑的原因和结果与代码一同存储,维护一个功能性、自适应且结构化的持久记忆系统。

当前结论

搞 harness 自动演化的人应该看看这篇。它用数据证明了一个朴素的道理:光存代码不够,得把每次改动的理由和结果也存下来。SIM 记忆系统在跨模型、跨 benchmark 的 10 个设置里都赢了,换模型不崩。做 agent 工程的人能直接抄这个记忆设计。

2 个信源47° AI 热度最后更新 2026/11/17 14:39:02

证据链

2 个信源

冲突核查

现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。