Meta^n 提出遞迴自我改進代理架構，在 ARC-AGI-2 基準測試成為唯一得分大於零的系統

Meta^n 提出一種新的遞迴自我改進 LLM 代理架構，解決了過去系統在自我編輯時容易破壞穩定性，導致元深度（meta-depth）受限於兩層左右的問題。該系統保持元操作（Ω）固定不變，並將其遞迴應用於不斷增長的輸入上，讀取底層求解器堆疊的軌跡與生成它們的程式碼，隨後將下一層寫入為策略預處理與可呼叫的輔助函式庫。由於元操作不變且輸入嚴格增長，每一層都能從更高的視角進行推理；其深度由收斂性決定而非預先設定，並透過演化存檔（evolutionary archive）搜尋層級鏈。在兩種骨幹模型上，Meta^n 於八個基準測試家族中皆超越先前的自我改進代理。在旨在抵抗技能記憶的 ARC-AGI-2 測試中，Meta^n 是唯一得分高於零的系統。消融實驗顯示，遞迴的主要增益來自各層傳遞的條件約束，且在無提示規定的情況下，不同深度的層級會自然湧現出不同的角色。相關程式碼已發布於 GitHub。