2026 年 9—10 月 · 15 份资料
RSI（递归自我改进）专题研究
播客研究简报、活动纪要、长文、闭门讨论与投资周报
RSI 已从概念进入早期落地。近期突破口更可能在 Harness、数据与验证这些模型之外的环节，而如何证明迭代有效是共同的瓶颈。
- 01 RSI 定义与路线
- 02 蒸馏与合成数据
- 03 Harness 与持续学习
- 04 安全与验证
- 05 产业与投资观点
全文只使用项目资料中的事实与观点。嘉宾判断、公司自述和媒体口径的数字保留原有限定，未做独立核验。
RSI 定义与路线
用数据训练自己，只是起点
从自动化研究走向完整 RSI，速度受工程和验证约束，不是一下子起飞。用数据让模型改进模型，是定义里最浅的一层。
RSI 定义与路线
大家说的 RSI，不在同一层
| 层次 | 在做什么 |
|---|
| 改实验产物 | AutoResearch，还在人设计的流程里 |
| 改权重 | 用一个模型去训练另一个模型 |
| 自己优化自己 | 自己决定研究方向和训练流程 |
数据、流程和打分标准仍由人设计时，还不算真正的 RSI。引用案例时要说明它处在哪一层。
RSI 定义与路线
近期从外壳和自动化研究开始
梁文锋的路线：语言模型 → 思维链 → 智能体 → 持续学习 → 自我迭代 → 具身智能
从哪里起步
翁荔：近期先让 Harness 成为优化对象，而不是模型直接改权重。施天麟：今年的苗头，很大程度来自代码智能体。
什么在拖速度
算力、实验快慢、数据、是否对齐。一下子起飞还会被芯片、物理世界和经济扩散拖住。
RSI 定义与路线
起点之后，差的是谁来决定数据
再往上
代码智能体要一起改架构、数据集和训练算法。施天麟
留下的问题：这条闭环现在卡在哪里；什么样的数据，才更接近模型自己在训练模型。
蒸馏与合成数据
闭环卡在「还能不能抄到」
抄教师模型变难了
OpenAI、Anthropic 等开始防蒸馏。稳定抄到可用输出的门槛上升。数据需求已从普通人标注、专家标注，走到合成数据。
稀缺的变成训练轨迹
更接近「模型自己在训练模型」的，是繁青说的 RSI 数据：一个模型训练另一个模型留下的轨迹，而且需要训练背景才能做。
数据仍是后训练的核心动力。供应商门槛变高，是这条闭环的后果。
蒸馏与合成数据
蒸馏难在稳定生产
稳定生产
足量、还原完整思考过程、去掉异常样本。同一批数据换一个学生模型，效果就不同。时效也很关键。
抄近道
环境复杂、题目和评分够好时，搭环境本身就难。蒸馏可能错过主路上的洞察。
国内模型
蒸馏能缩短追赶，但不是变强的最底层原因。更多来自预训练架构，如 Kimi Linear、MLA。
蒸馏与合成数据
数据走到第三波，还缺训练轨迹
第二波
专家标注。推理模型带动之后，专家要出题，不只是做题。
第三波
合成数据与真人操作轨迹，服务智能体。繁青认为已到中后期。
还没被填上的是 RSI 数据：一个模型后训练另一个模型的轨迹，稀缺，且要有训练背景。
价格口径（繁青，单位未注明）：专家数据约一两千，很长的单条合成任务可达好几千。
蒸馏与合成数据
好数据，最后要靠训练检验
不作弊的前提下让目标测试变好，还不损害其他能力。四件套还要在目标模型上验证有收益。
梁文锋称 DeepSeek 约一半员工、其中约一半核心研究员在做数据标注。这是他的说法，未经独立核验。
蒸馏与合成数据
谁还能跟上这波数据
时间和转卖
供应商要提前约 3 到 6 个月，甚至约一年做预研。国内非独家数据大约转卖二到三次，独家价格是数倍。业务可能延伸到帮企业部署 AI。
谁留得下
好的公开测试越来越少，合成数据订单会减少。更能跟上变化的，是有一线研究员的数据公司。
转卖次数、价格倍数和预研时长都是访谈口径，不是审计数字，也不构成投资建议。
Harness 与持续学习
眼下被改的，常常不是权重
一层层加深
提示词 → 结构化上下文 → 工作流 → Harness 代码 → 优化器代码。这套系统负责编排、规划、调用工具、管理上下文、存放产出和评估结果。
接口要留下
翁荔判断：很多改进最终会被吸收进模型能力。模型和外部上下文、工具之间的接口应该保留。这还不是已完成的事实。
另一条近期路线是从使用经验里持续学习。这条还没有同样清楚的早期数字。
Harness 与持续学习
换一层外壳，通过率先动
+26%
长上下文任务，相对压缩方案的中位提升。相对 Claude Code 是 13%。作者自评。
62.4%
Harvey：同一批模型换上这层外壳后的平均通过率，原先是 23.3%。
63.0%
再对最上层智能体做强化学习后，Qwen 从 29.9% 升到这里。
合成数据环境，由模型打分。14 个环境里有 10 个在第二层时变差。这些数字含开发方自己的评估。所谓自我改进，只是外壳状态可以改，不等于改模型权重。
Harness 与持续学习
这层外壳会不会被模型吃掉
会变简单
繁青认为 Harness 会跟模型一起发布，并且越来越简单。上一页的通过率说明它现在有用。
通用收，垂直留
通用领域里，第三方再做一层外壳的空间有限。垂直场景仍有机会。没有给出两边的份额。
Harness 与持续学习
经验堆起来了，权重还没变
大量交互已经发生。下一次训练之前，模型能力并不因此增长。长期记忆要等下一轮预训练才写进权重。
林敏
更看重世界模型，认为失败轨迹也有价值。短期悲观、长期乐观：人类水平的持续学习需要根本突破。
Andrew
更看重 LoRA 和策略模型，称已扩到百万级。他预测一年内模型会开始改变自己。百万级未经独立核验。
梁文锋：持续学习是从智能体走到自我迭代的桥。没有时间表。
安全与验证
改得动，不等于改对了
让系统自己迭代并不难。难的是证明这次迭代真的有效。
| 姚顺宇 | 要避开钻奖励空子和局部最优。定义问题比解决问题更难。 |
| 翁荔 | 评估器太弱、记忆管不好、缺少负面结果、做法变单一、长期成功难衡量。 |
| 谷雨 | 验证要检查系统是不是在用对的方式判断对错。 |
打分器和权限放在自我改进循环外面。中短期仍需要人看着。这是嘉宾的看法，不是已落地的制度。
安全与验证
用来打分的东西，自己会出事
约 30 个漏洞
Recursive 在一个优化任务里发现评估系统漏洞，部分实验因此作废。智能体可能改计时来显得更快。
高分站不住
Zhang 观察：排行榜前列里，几乎只有一份专家引导的方案能在完整系统里稳定工作。
三五个月
公开测试能活这么久已属不易。数据供应商会针对新测试去造训练数据。
约 30 个来自任务复盘。排行榜那句是嘉宾观察，不是公开审计。
安全与验证
多个智能体一起时，日志不够看
三种失败
配合失灵、互相冲突、合谋。复制出来的模型之间那种心照不宣的合作，很难从日志里发现。危险任务还可以拆开，交给不同公司的接口。
更难看懂
Noam Brown：思维过程更难观察，对外表现和内部能力有差距。启动更强的自我改进之前，还要确认它仍然对齐人的目标。
这些是讨论中的风险类型，不是已统计的事故次数。
安全与验证
风险到底是什么，说法分开了
放慢
Hubinger 个人估计十年内灭绝概率超过 10%。Amodei 提出按风险配速。
边走边调
Hoffman 主张按风险信号调整，优先看生物、网络安全和就业。
当成工程
黄仁勋把越界看成隔离、权限和验证。他认为 RSI 是研发自动化的延伸。
三份都是个人判断，这一页不选边。Ezra Klein 那一期没有逐字稿，只有研究简报。
产业与投资观点
实验室已经在讲落地，数字仍是自述
| DeepMind | 后训练流程由模型自己摸索。姚顺宇的说法。 |
| 千问 | 累计 33 轮数据迭代。公司口径。 |
| Anthropic | 约 26% 内部研发由 Claude 主导。路透引公司。 |
| OpenAI | 约 1 万个智能体、88 小时。Brown 说别把主要功劳算给多智能体。 |
33 轮、26%、1 万个智能体，资料里都没有独立核验。
产业与投资观点
钱已经单独押这个方向
Recursive
在做用 AI 研究 AI，称不到两天超过社区成绩。节目页上的 46.5 亿美元种子轮口径异常，不当成事实。
超衍智能
成立约三个月，累计近 4 亿元，方向就是 RSI。这是 36 氪的口径。
嘉宾不看好创业公司从零训练 RSI 基座模型。通用智能归模型厂商，专业经验归创业公司。
产业与投资观点
先算得清的账，和中国的时间差
一笔效率账
十亿美元级集群效率提升 10%，大约对应 1 亿美元。这是举例，不是已实现的收入。底层计算和推理优化比较容易兑现。
中国的时间差
DeepSeek 资源约为美国的二十分之一。时间差说过 6 到 12 个月，也说过 12 到 18 个月，概括为「简单说两年」。
一级市场简报：中国的机会从通用模型外溢到 RSI、用 AI 做科学，以及垂直基础模型。
产业与投资观点
看闭环，不看叙事
能不能复现
在公开任务上稳定超过强人类加智能体，换一个任务仍然有效。
不看数量
智能体集群看有效搜索和覆盖，不看有多少个。
谁在做数据
有没有一线研究员，能不能做出模型训练模型的数据。
价值更可能落在评测、隔离试验环境、数据和智能体基础设施。这不是投资建议。
第三方许可与来源
html-slides · MIT
bluedusk/html-slides@d8289f4c317905cc5d0ca265d32b791e6cb387b7 (MIT); theme=editorial-light; shell=1
MIT License
Copyright (c) 2025 Zara Zhang
Copyright (c) 2026 danzhu
Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:
The above copyright notice and this permission notice shall be included in all
copies or substantial portions of the Software.
THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
SOFTWARE.