研究與評測
CosmosMind 聯合多校發布 MetaRSI-v1 架構，統一 RSI 遞迴自我改進，實測使 Qwen 小模型與 GPT-5.6 等旗艦模型分別提升 10.9 與 7.3 分
量子位單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
據報導，CosmosMind 聯合史丹佛、柏克萊、MIT、清華、北大等十餘家高校，發布全球首個統一 Model-RSI、Data-RSI、Harness-RSI 的元遞迴架構 MetaRSI-v1。該架構首次提出 Loop Kernel 範式，將自我改進抽象為閉環，透過橫軸編排算子應用順序與縱軸最佳化算子內部策略來尋找最佳路徑。
系統由 MetaRSI² Agent、RSI² Agent、RSI² Sub-Agent 與 Transition Agent 四個代理協調運作，形成算子改進目標系統、雙軸編排改進算子用法、元層改進雙軸編排策略的三層最佳化機制。
實測數據顯示，在無外部教師模型參與下，針對 Qwen3.5-35B-A3B（35B 總參數、3B 激活）啟用全部三個算子，於 Terminal-Bench 2.1、SWE-bench Pro、GPQA-Diamond 高難度子集與 AIME 四項基準上平均提升 10.9 分，其中 SWE-bench Pro 解決率接近翻倍。針對 GPT-5.6 sol、Claude Opus 5、Kimi K3 等旗艦模型，在僅啟用 Data 與 Harness 算子的情況下，於 Terminal-Bench 2.1 上平均提升 7.3 分。
此外，研究團隊基於此架構梳理出關於驗證、能力邊界與成本等五大 RSI 定律，並同步開源具備自我學習與迭代能力的 RSI-Harness 專案。
讀原始報導背景
遞迴自我改進（Recursive Self-Improvement，簡稱 RSI）是指人工智慧系統透過改寫自身程式碼或生成訓練資料等方式，自主提升能力的過程。理論上，當系統具備足夠算力並持續自我優化時，可能引發智力爆炸並邁向超級智慧，但過去的相關嘗試尚未實現此一目標。