一个 AI 系统可以给出更好的答案，却没有成为更好的系统；它可以成为更好的系统，却没有改进产生此次变化的方法；它也可能改进这种方法，却不能维持持续加速的后续进步。这些区别是理解递归自我改进的基础，但在“系统能够自己学习”之类的表述中常常被混为一谈。

Good 关于超智能机器的讨论，把机器设计能力放在智能爆炸论证的重要位置 [@good1965]。后来的哥德尔机为自修改提供了形式化的决策理论处理：依据给定形式系统中关于期望效用的证明，决定是否重写自身软件 [@goedel2003]。当代研究则通过可执行程序、基础模型、训练流水线和经验评估器实现其中的部分设想。问题因此变得具体：哪些部分允许改变，谁提出变化，用什么反馈选择变化，下一代又继承什么？

这些研究既不属于单一算法家族，也不构成一条整齐的自主化阶梯。语言模型可以生成用于下一轮训练的推理过程；智能体可以在记忆中保存调试经验；编程系统可以修改用于编辑自身实现的工具；自动化研究者可以为另一个目标模型设计更好的训练程序。每条路线都可能带来实际价值。它们是否提供递归性的证据，取决于系统边界，以及此次收益是否改变下一轮改进过程。

目前已有多篇系统性较强的综述。Gao 等人按照进化对象、时间、方法和应用场景组织自进化智能体研究；Fang 等人建立了输入、智能体、环境与优化器之间的框架 [@surveygao2025; @surveyfang2025]。Chen 等人区分有边界的自我修订与自动化研究闭环，强调评估信号；Ren 等人讨论基础模型与智能体运行框架中的持久更新 [@surveychen2026; @surveyren2026]。Liu 等人将改进机制本身纳入演化系统并提出能力分级；Zhou 等人则聚焦软件工程中的进化 [@surveyliu2026; @surveycoding2026]。因此，再增加一套分类法，并不足以支持很强的创新性主张。

本文聚焦于系统能够改进和系统能够改进自己的改进能力之间的证据差距。这一区别也不是本文首次提出。Huxley–Gödel Machine（HGM）明确研究当前基准表现与 metaproductivity 之间的不匹配；后者指产生有价值后代的能力，本文译为“后代改进产出能力” [@hgm2025]。本文的贡献是把这一问题与持久状态对照、自动训练基准、自适应评估及资源核算联系起来，形成批判性综合。所提出的评估方案旨在提高 RSI 研究的可比性，其有效性仍需实验验证。

全文围绕三个问题展开。第一，哪些机制会持久改变系统，哪些只是重新安排当前任务的计算？第二，什么证据能够把继承的修改与更好的后续改进联系起来？第三，还需要观察什么，才能支持跨域迁移、多轮递归或加速等更强主张？回答这些问题，比直接宣布 RSI“已经到来”或“尚未到来”更有解释力。

综述范围与方法

本文属于批判性叙述综述，不是穷尽式系统综述，也不是元分析。证据基础包含 53 条经过选择的出版记录。检索于 2026 年 9 月 6 日进行，使用“recursive self-improvement”“self-evolving agents”“self-modifying coding agents”“self-edit”“metaproductivity”“AI research benchmark”等关键词组合，并针对具体方法及近期综述引用的工作进行追踪。一手记录来自 arXiv、出版社网站及作者维护的项目页面；同时直接获取 arXiv 元数据，核对标题、作者列表、首次提交日期和查阅版本。

文献纳入主要服务于四类目的：理论基础；修改答案、持久状态或改进程序的代表机制；与递归性相关的实验评估；以及反馈失效和统计有效性方面的证据。既有综述用于确认重叠范围，避免未经支持的优先权主张。营销文章、社交媒体上的非正式说法、讨论金融相对强弱指标的文章，以及不包含相关改进机制的一般 AI 应用，不构成本文核心证据。

阅读深度具有选择性。所有参考文献均核对了摘要或出版记录；对核心案例进一步查阅了方法、评估设置或相关局限。配套来源表记录查阅依据，证据台账指出定量陈述对应的原文位置。这一流程不能证明所有相关文献都被找到，也不能证明每篇论文的所有附录都已逐页审阅。书目信息核对、原文细读与独立实验复现是三种不同活动；本文没有执行复现实验。

截止日期代表检索边界，并不代表该日期之前的工作均被完整覆盖。2026 年 7—8 月的若干研究仍是近期预印本，其结果按照作者报告处理。引用数值时保留基准子集、评估访问权限和预算条件，不将异质得分合并为统一排行榜，也不估计跨论文总体效应。下文分类是本文对机制的解释，不意味着原作者采用相同术语。

什么算递归自我改进？

系统边界与两个相连的闭环

把第 $t$ 代 AI 系统写为：

$$ S_t=(\theta_t,h_t,m_t,d_t,u_t,v_t), $$

其中，$\theta_t$ 为模型参数，$h_t$ 为运行框架，$m_t$ 为持久记忆与技能，$d_t$ 为保留的训练资源，$u_t$ 为改进程序，$v_t$ 为内部评估或选择程序。给定资源分配 $b_t$ 与经验记录 $e_t$，下一次更新可表示为：

$$ S_{t+1}=\operatorname{Commit}!\left(S_t,u_t(S_t,e_t;b_t),v_t\right). $$

这个表示用于明确讨论对象，不假设各组件相互独立。同一模型可以同时执行任务和提出改进；记忆可以包含可执行工具；训练器也可能同时存在于代码和生成的指令中。既有系统级综述已经提出了类似的耦合表示思路 [@surveyren2026; @surveyliu2026]。

任务执行闭环负责完成任务并产生结果；系统改进闭环把结果中的证据转化为候选修改，评估并提交被选中的修改。递归性关注的是：继承的修改是否影响了系统改进闭环本身。图 \ref{fig:loops} 展示了为什么“结果反馈到更新”只是必要条件的一部分：还必须确认具体继承了什么，以及它怎样改变下一轮改进。

\input{figure-loop-zh.tex}

在后文评估方案中，记为 $V^*$ 的审计评估器被有意放在可修改状态之外。这是实验边界，并不意味着现实系统存在一个绝对不变的外部裁判。内部评估器可以进化，但不能让候选系统自由改写用来证明其进步的全部证据。

三种区别与一个更强的假说

临时修订改变当前回合中的答案、计划或工作上下文，但不会将其保留给后续回合。持久自我改进根据系统经验，提交对模型、记忆、工具、提示词或代码的更新。递归改进还进一步改变后续产生或选择改进时使用的机制，并使这一变化被继承。这些类别描述机制，不是单一的智能水平或安全等级。

更强的主张是持续递归加速。它讨论一连串改进的动态特征：在明确处理资源与任务难度的条件下，系统产生有用变化的能力，是否在多个代际中持续上升。自指结构并不能推出这一结论。能够修改自身的程序，仍可能停滞、振荡、越来越昂贵，或损害选择基准之外的重要能力。

按照本文的操作性定义，权重更新既不是必要条件，也不是充分条件。冻结基础模型、同时改变代码形式的改进程序，可以在复合系统层面构成有边界的递归。反过来，使用固定优化器反复训练神经网络，虽然构成学习，却不证明优化器或整体改进机制变得更有效。STOP 使用了更严格的术语，因为其底层语言模型保持固定，所以明确没有宣称实现完整 RSI [@stop2023]。交代清楚系统边界，可以消解这类表面争议。

同样，一个系统训练了另一个模型，并不自动意味着它改进了自身。必须说明继承关系：训练得到的模型、优化器或运行框架，是否成为下一轮研究智能体的一部分？如果没有这种继承，结果支持的是自动化 AI 开发；它与 RSI 相关，但尚未形成闭合的递归谱系。

机制与证据分别报告

有用的研究描述，应同时记录修改机制及其效果证据。本文采用四个可分别回答的问题：收益能否在新会话中保留；能否在匹配资源的比较中保留；更新后的改进者能否从可比起点优于冻结改进者；这种优势能否跨越更多代际或分布变化。这些问题可以分开检验，不必强行排列为一套等级。

例如，把进化后的运行框架移植到另一个模型，支持框架具有可迁移性；但它本身不能说明移植后的系统更善于生成下一次修改。成功执行代码重写，证明修改可运行且可以保留；但收益仍可能主要来自额外搜索，而不是该代码变化。区分这两类陈述，能够避免把“允许修改某组件”误写成“已证明具备相应能力”。

主要机制脉络

形式化自修改、元学习与开放式搜索

哥德尔机的重要性，在于把修改系统自身软件纳入优化问题。其保证依赖公理、效用规范以及合适证明的可获得性；它不保证有用证明能以低成本找到，也不保证所指定的效用涵盖现实中的所有利益 [@goedel2003]。受到这一思路启发的经验型编程智能体，不会因为用测试评估补丁就自动获得相同的理论保证。

学习优化器提供了另一条路线。Andrychowicz 等人从一组训练问题中学习优化行为，AutoML-Zero 则从较低层次的程序构件搜索学习算法 [@learnoptimizer2016; @automlzero2020]。这些方法可以改进学习者的更新规则，但不要求学习者自主重写整个外层搜索过程。它们也揭示了一个持续存在的问题：所谓改进，总是在特定任务分布和搜索表示下测量的。

自博弈和环境共同进化，则提供了自动生成学习挑战的机制。AlphaZero 的早期表述在固定游戏规则与训练流程下，通过自博弈学习国际象棋和将棋 [@alphazero2017]。POET 让环境及其解法共同发展，并在演化任务间迁移解法 [@poet2019]。对手不断变化或环境越来越难，并不足以证明学习算法发生了递归重设计；其意义在于，学习机会可以由系统生成，而不必始终来自静态题库。

输出修订、记忆与可复用工具

Self-Refine 根据生成内容的反馈继续修订输出；Reflexion 保存可影响后续尝试的语言反馈；Voyager 在探索过程中积累可执行技能库 [@selfrefine2023; @reflexion2023; @voyager2023]。它们体现了不同的持久性边界：输出修订可能仅在当前回合有效，保留反馈和技能则可以在不更新权重的情况下改变未来行为。Toolformer 还提供了参数层面的路线，通过自动筛选的工具调用示例训练模型 [@toolformer2023]。

这些机制与 RSI 密切相关，因为可靠的改进者也需要记忆、工具和纠错。不过，把经验写入记忆，只是提出了一个候选机制。需要在新会话中比较，证明经验被正确检索和使用，同时确认陈旧或无关信息没有损害后续任务。更强的问题是：系统是否改进了记忆写入、选择、检索或修订的方法？

内部自纠错的实验结果也存在争议。Huang 等人在所研究的推理任务中发现，缺少外部反馈时自纠错可能失效；后续研究则发现提示词是否公平、解码设置如何，会明显影响结果 [@intrinsic2023; @intrinsicpositive2024]。SCoRe 通过强化学习专门训练多轮自纠错，并报告训练后的收益 [@score2024]。这些工作检验的干预并不相同，既不能据此断言自纠错普遍不可能，也不能默认未经专门训练的反复自我批评总是有效。

合成监督与共同进化的课程

STaR 将生成的推理轨迹反馈到进一步训练，Self-Instruct 则生成和筛选指令学习示例 [@star2022; @selfinstruct2022]。这类流水线可以将有用行为固化到参数中，但不是无中生有地创造信息。预训练知识、种子样本、筛选规则、已知答案以及环境规律，都可能贡献监督。因此，训练数据的来源应分组件说明，不能只用“自生成”三个字概括。

Self-Rewarding Language Models 在迭代偏好优化中，把回答生成与模型给出的评价信号相结合；SPIN 则通过锚定在监督数据集上的自博弈目标学习 [@selfreward2024; @spin2024]。二者的反馈通道不同：模型产生的偏好属于学习得到的判断，监督参考答案则是相对于生成结果的外部依据，任何一个通道都不应被自动视为无误。

可验证奖励强化学习提供了另一条路线。DeepSeek-R1 表明强化学习可以显著塑造推理行为，但并不意味着训练程序已经被系统自主重设计 [@r12025]。Absolute Zero Reasoner（AZR）用代码执行反馈连接任务提出与求解 [@azr2025]；R-Zero 让挑战者与求解者共同进化，通过求解者多个答案的一致性产生伪标签 [@rzero2025]。可执行验证与多数一致性具有不同的误差性质：多数答案可能系统性地错误，而通过执行检查也可能只覆盖有限规范。

这些研究中的“零数据”描述的是某种后训练输入条件，不意味着没有预训练、人类编写的软件、预先选择的目标或环境结构。它们把部分课程和监督工作，从固定的人类整理后训练数据集转移到自动化闭环中。这个闭环是否进一步改进了自己的学习机制，仍然是另一个实验问题。

提示词、运行框架与改进程序的进化

Automated Design of Agentic Systems（ADAS）使用元智能体编写候选智能体，保存此前设计的档案；GEPA 通过语言反思和进化选择优化提示词 [@adas2024; @gepa2025]。两者都让智能体设计的重要部分成为可搜索对象。但使用固定控制器优化提示词或智能体架构，与修改负责搜索的控制器，本质上是两个不同的干预。

STOP 直接把改进程序应用于自身，使生成的程序改变调用语言模型、改进下游程序的方式 [@stop2023]。Gödel Agent 同样向自修改开放智能体逻辑 [@goedelagent2024]。这些工作将搜索对象推进到系统改进机制。与此同时，目标、运行时限制、模型 API 和评估程序等外部结构，仍决定了所谓“闭环”究竟关闭到哪一步。

SICA 和 Darwin Gödel Machine（DGM）在编程智能体中实现具体的自修改。DGM 保留种群档案，使此前发现的智能体能够作为后续变化的起点；SICA 使用智能体自身的编程能力改进其实现 [@sica2025; @dgm2025]。结果支持继承运行框架的价值，但解释依赖任务子集、预算、选择规则与对照。在本文查阅的 DGM 版本中，档案维护与父代选择仍是固定机制，因此其边界是：自修改智能体在一个外部指定的进化流程内演化。

HGM 针对“按照当前得分选择父代”的弱点，从后代结果估计分支层面的改进产出能力，并区分扩展、评估与选择决策 [@hgm2025]。这与“改进者是否变得更强”直接相关。但研究者提出的新外层搜索方法，不能自动被描述为系统自主发现的方法。它提供的是对谱系敏感的搜索及相应比较证据，并不是所有人类设计的改进机制都已被移除。

自主权重适应

SEAL 训练模型生成“自编辑”：训练数据与更新指令，并在适应之后评估这些编辑是否有用。其外层强化学习奖励能改善更新后模型下游表现的编辑 [@seal2025]。语言模型因此参与决定新信息怎样转化为参数更新。这也说明持久性必须分清对象：一次适应回合、一个累计更新后部署的模型，以及一轮外层训练，并不是同一件事。

Search over Self-Edit Strategies 研究了一个范围更窄的扩展，让模型搜索适应模板及部分超参数。该研究明确限定为一轮自我改进；使用档案相对于较弱模板有帮助，但没有超过最强的人类设计基线，同时仍存在同质化问题 [@selfedit2026]。这类限制性结果很有价值：扩大可修改接口，不保证模型能够有效利用新增自由度。

完整评估应区分自编辑提案质量的提高，与起始模型变强或训练预算变化带来的收益，还应测量此前适应是否被保留。一个系统即使能高效吸收新信息，只要反复损害旧能力，就不能据此宣称形成不受限制的累计学习过程。

算法发现与自动化科研

FunSearch 将预训练语言模型提案、程序评估与候选种群结合起来发现有用程序；AlphaEvolve 将进化编程扩展到更广泛的算法和基础设施问题 [@funsearch2024; @alphaevolve2025]。这些工作说明，外部执行可以让生成模型完成超出其直接回答能力的任务。优化模型开发使用的基础设施，能够形成潜在反馈路径；但在把它称为自主递归加速之前，应当测量完整的端到端收益。

The AI Scientist 及其后续版本自动化了部分假说生成、实验、分析和论文撰写工作 [@scientist2024; @scientistv22025]。完成论文或得到成功实验，属于科研自动化证据。对于 RSI，还缺一个关键环节：发现的成果是否被继承，并改善下一轮开展研究的研究者？科研产出数量、评审分数和后继模型能力，不是可以相互替代的指标。

因此，当前存在的是多个局部相连的闭环。更好的编程框架可以构建更好的数据生成器，数据生成器可以训练更好的模型，模型又可以提出更好的框架修改。这种耦合在机制上合理，但画出相互连接的图，不等于证明净收益为正。接口成本、迁移损失、评估噪声及训练开销，都可能抵消局部改进。

代表系统的比较证据

表 \ref{tab:mechanisms} 总结主要机制边界。“递归相关性”是本文对设计的解释，不是经过独立核验的能力等级。

\begin{longtable}{p{0.16\linewidth}p{0.22\linewidth}p{0.23\linewidth}p{0.29\linewidth}} \caption{代表机制及递归主张的边界。}\label{tab:mechanisms}\ \toprule 方法家族 & 持久修改对象 & 主要反馈 & 递归相关性与边界 \ \midrule\endfirsthead \toprule 方法家族 & 持久修改对象 & 主要反馈 & 递归相关性与边界 \ \midrule\endhead Self-Refine & 通常为回合内输出 & 模型批评 & 未保留变化时属于输出修订。 \ Reflexion / Voyager & 记忆 / 可执行技能 & 任务及环境反馈 & 持久适应；更新机制未必演化。 \ STaR / Self-Instruct & 模型参数 & 筛选后的合成监督 & 预先指定流水线中的自训练。 \ Self-Rewarding & 策略及评价行为 & 学习得到的偏好 & 耦合改进需要外部校准。 \ AZR / R-Zero & 策略及课程 & 执行 / 答案一致性 & 自适应课程；外部依据明显不同。 \ ADAS / GEPA & 智能体代码 / 提示词 & 任务得分及轨迹 & 具有外层搜索程序的设计自动化。 \ STOP / G\"odel Agent & 改进程序或智能体逻辑 & 下游效用 & 有边界的直接自指；资源和裁判仍被指定。 \ SICA / DGM & 自修改运行框架 & 编程基准 & 继承代码变化；基础模型及部分外层逻辑固定。 \ HGM & 后代种群 & 基于谱系的估计 & 测量有价值的祖先；外层搜索由研究者设计。 \ SEAL & 自编辑策略及适应后权重 & 更新后任务表现 & 在给定外层流程内学习适应选择。 \ FunSearch / AlphaEvolve & 候选程序 & 可执行评估器 & 发现可帮助 AI 开发；继承关系需另行证明。 \ AI Scientist & 科研产物 & 实验及评审 & 科研自动化；后继反馈属于额外主张。 \ \bottomrule \end{longtable}

几个数值案例说明评估单位为什么重要。DGM 报告，在其 SWE-bench 评估子集上从 20.0% 提升到 50.0%，在完整 Polyglot 上从 14.2% 提升到 30.7%。前者不能改写为完整官方测试集的得分。论文还包含冻结改进者及移除档案等消融，这些对照比单一终点分数更有助于判断递归主张 [@dgm2025]。

SICA 报告，在随机 SWE-bench Verified 子集上从 17% 提升到 53%。其试验将 50 道 SWE-bench 题与其他任务组合，在效用中纳入时间和金钱成本，并报告一次 15 轮试验的 API 开销约为 7,000 美元 [@sica2025]。这些限定对应一个有边界的实验，不能推广为普遍部署中的改进速度。由于设置不同，SICA 与 DGM 的百分比也不应直接排列高低。

HGM 明确研究后代的改进产出，而不是把当前任务表现视为充分代理 [@hgm2025]。这支持评估重点向系统改进过程转移。但已发现框架的迁移、对高产谱系的预测，以及可复用改进算子的因果提升，仍是不同结果。下一节提出的方案，旨在区分这些证据，同时保留它们各自的实际意义。

2026 年的新基准增加了互补的测量对象。PAST-Bench 在后续新会话中，比较打开或关闭已有经验访问权限的表现，并检查持久状态实际起作用的路径 [@pastbench2026]。RSIBench-Data 固定周边后训练技术栈，让智能体修改训练数据策略。作者报告，58.33% 的设置优于首次有效尝试；在已经达到观测峰值且之后继续搜索的运行中，78.26% 的最终尝试低于此前峰值 [@rsidata2026]。后一数值描述的是一个经过条件筛选的运行集合，相对于各自运行内最大值的回退，不能解释为随机系统再多研究一轮就变差的概率。

PostTrainBench 允许智能体在限定 GPU 预算下执行后训练，记录了目标适应的成功案例，也记录了涉及基准和资源边界的失败 [@posttrain2026]。AI4AI-Bench 将四小时开发阶段与后续最多十二小时的从头运行分开，在十个研究仓库上使用隐藏最终评估器 [@ai4ai2026]。这些基准让 AI 开发的不同部分可以被实验检验，但单个数据研究或算法设计基准，仍不证明训练出的后继者能够反复成为更强的研究者。

如何评估“改进能力的改进”

现有基准测量什么

SWE-bench 测量仓库层面的软件问题解决，MLE-bench 测量机器学习工程，RE-Bench 在研究工程任务中比较智能体与人类专家 [@swebench2023; @mlebench2024; @rebench2024]。它们可以提供有用的任务结果，但任何一个单独得分，都不是递归改进能力的天然指标。测试科研产物的基准，可能根本不测试下一位研究者继续改进这些产物的能力。

PAST-Bench 关注经验保留，RSIBench-Data 关注训练数据决策，PostTrainBench 关注自主后训练，AI4AI-Bench 强调算法层面的变化 [@pastbench2026; @rsidata2026; @posttrain2026; @ai4ai2026]。它们更适合组成模块化评估套件，而不是合成一个通用 RSI 分数。关键模块包括持久性、有用提案、有效选择、继承以及多代迁移。

匹配改进算子的比较

令 $A$ 表示起始目标系统，$U$ 表示改进算子，$b$ 为开发预算，$V^*$ 为隔离的审计评估器。本文提出一个“改进产出”度量：

$$ Y(U,A;b)=\mathbb{E}\left[V^(\operatorname{Run}(U,A;b))-V^(A)\right]. $$

期望覆盖任务抽样及相关随机性，审计时的推理预算与环境版本另行固定。随后，在相同起始系统分布上比较更新算子 $U_t$ 与原始算子 $U_0$：

$$ \Delta_{\mathrm{op}}(b)=\mathbb{E}{A\sim\mathcal{A}{\mathrm{audit}}} \left[Y(U_t,A;b)-Y(U_0,A;b)\right]. $$

正的估计值支持指定条件下的算子优势，不证明普遍优越性。匹配 $A$ 很重要，否则新算子可能只被用于更强的目标系统，或者面对完全不同的剩余提升空间。同样，比较完整方法时，应计入获得新算子的开发成本：复用一个已经学到的算子，与从头发现这个算子，回答的是不同的经济性问题。

上述比较综合了后代改进产出能力、持久性对照及自适应数据分析中的既有问题 [@hgm2025; @pastbench2026; @adaptive2015]。它不是新定理，本文也没有证明这一特定指标能够预测长期通用进步。

因子对照与耦合系统

当目标与改进者可以分离时，二乘二实验可以帮助区分两者贡献：

每格使用相同的开发预算、审计协议与任务切分。同一行内比较两列，可以估计给定目标下的算子效果；比较不同行则同时改变能力和提升空间，解释需要更谨慎。这个设计还能够暴露：新算子是否只对与其共同进化的目标有效。

有些系统高度耦合：修改模型同时改变求解者和改进者，无法在保留功能的同时进行干净移植。强行拆开，反而会制造不真实的系统。这时应比较完整谱系与冻结更新的对照，准确描述干预，并报告仍无法归因的部分。功能性自指是系统属性，在实验中隔离其因果贡献则是额外挑战。

有用的对照包括：拥有相同候选生成预算的冻结改进者；拥有相同评估预算的重放或随机搜索控制器；以及在保持任务提示不变时移除已学习状态的无持久化条件。还应特别控制推理采样开销：如果进化后的智能体只是调用了更多次模型，准确率可能提高，但效率并未提高。这个结果仍有用，只是必须明确资源与效果的交换关系。

开发反馈与审计证据分离

可靠的方案应区分开发任务、选择反馈和最终审计任务。候选搜索可以反复查看开发反馈，选择程序可以按单独规定的预算获得验证反馈，最终审计则应评估已冻结的候选系统或谱系，不再将任务级信息反馈给搜索过程。不断访问一个所谓保留集，会让它成为自适应优化过程的一部分 [@adaptive2015]。

对长期运行的系统，一次没有被接触过的保留集不可能永久解决问题。后续审计需要新的任务家族、受控的信息披露，或明确针对自适应复用设计的统计程序。隐藏测试可以降低直接记忆答案的风险，但不能自动保证它测量了正确的研究对象。EvalPlus 表明，更强的测试覆盖会改变对生成代码的评价；RSI 评估同样需要检验，它测到的是所宣称的能力，还是一个方便使用的代理指标 [@evalplus2023]。

改进算子的迁移应有自己的数据切分。如果算子在一组代码仓库上开发，就应该让它改进新的起始智能体或仓库，必要时更换模型家族。更强的检验，是让迁移后的算子在新环境中继续产生有用后代；只测试已进化智能体的即时任务得分，回答的是较弱的问题。

谱系、选择与统计不确定性

自我改进实验应保存完整的祖先关系图，包括候选版本哈希、父代标识、提议修改、评估访问、被拒绝的变化、崩溃及选择决策。谱系能够显示一次修改如何影响未来可能性。只报告最终最强智能体，会抹去失败分支，让人难以区分稳定有效的研究程序与偶然抽中的幸运结果。

应分开报告三条曲线：当前部署候选；使用允许的验证信息选出的最佳候选；以及事后按照审计分数挑选的最佳候选。第三条是分析产物，除非协议明确允许获取这些审计信息并把成本计入开发，否则它并不是可部署的选择策略。“历史最佳”曲线按定义不会下降，因此不能证明连续修改一直有效。

不确定性的估计应对应真正实施干预的层级。同一条演化谱系中的任务结果，共享祖先和选择历史；把它们全部当作独立重复，会夸大精度。独立谱系、任务家族重抽样，以及使用共同随机种子的配对评估，分别处理不同方差来源。论文应报告独立运行次数及置信区间方法，而不是给出一个普遍足够的随机种子数量。

成本、持久性与加速

资源核算应涵盖提案模型推理、候选执行、评估器调用、参数更新、失败运行，以及重要的存储、检索开销和人类干预。实际耗时、API 费用、GPU 小时和推理 token 数是不同量。方法可以通过并行降低耗时，同时增加总算力。论文应报告相关资源向量，而不是把一个方便的标量当作通用预算。

持久性要求在新会话中评估已经提交的系统，不重放带有特权信息的开发轨迹。能力保留还需要测试此前任务和约束，避免把窄域优化中对旧能力的交换描述为累计进步。如果系统修改了自身目标，仍应保留稳定外部目标下的比较；自选一个更容易的目标，不意味着在原目标上变得更好。

研究加速时，令 $C_t$ 为累计开发成本，$P_t$ 为在稳定或明确校准的任务分布上测得的外部表现。一个简单的描述性增量为：

$$ g_t=\frac{P_{t+1}-P_t}{C_{t+1}-C_t}. $$

少数观测中 $g_t$ 上升，不构成持续加速的证明。它可能来自噪声、提升空间、任务难度变化或有利分支。更强的主张需要重复代际实验、合适的冻结改进者反事实、对资源变化的明确处理，以及超出选择基准的迁移。得分接近饱和时，这个比值也难以解释。因此，本文建议同时报告成本—表现前沿、算子产出曲线和原始轨迹，不把有限实验外推为智能爆炸预测。

失效机制与安全边界

反馈质量与评估器共同适应

任何改进闭环都不能脱离反馈解释。已有研究记录了 LLM 评估器的偏差与局限，也表明过度优化代理奖励可能降低另一个参考指标下的表现 [@judge2023; @rewardoveropt2022]。如果提案者与评估器共享盲点，反复一致可能只是提高表面信心，而没有增加独立的正确性证据。

这不意味着存在一条普遍适用的排序，使所有形式化检查都优于所有人类或模型判断。证明对其所证明的形式命题提供强证据，但命题本身可能遗漏重要需求；编译器检查的属性也比完整行为测试窄；领域专家则可能评估前两者没有表达的要求。关键问题是：信号能够发现哪些错误，成本如何，与真正需要的结果有多好的对应关系？

当评估器自身变化时，还会增加一个识别问题：得分提高可能源于候选能力增强、裁判更宽松，或者目标被改写。新评估器应在独立标注或可执行检验的案例上接受评估，包含具有对抗性、容易引发分歧的案例，同时保留候选系统无法重写的参考评价。评估器的校准表现，应与策略在新裁判下的分数分开报告。

崩溃、遗忘与多样性丧失

递归训练于模型生成数据，可能丢失原始数据分布的信息。模型崩溃文献在特定训练与采样条件下展示了这种风险；关于同时积累真实与合成数据的研究，则说明任何合成数据使用都必然导致崩溃的说法并不成立 [@collapse2023; @accumulate2024]。结论具有条件性：替换、积累、筛选及外部依据会产生不同动态。

智能体进化即使不更新参数，也会失去多样性。生成器不断参考同一批成功示例，候选程序可能收敛到相似提示词、架构或行为习惯；自编辑搜索提供了同质化问题的具体报告 [@selfedit2026]。档案能够保留不同选项，但文字看起来不同，不等于行为策略不同。评估应检验不同策略和迁移特征，而不仅是统计存了多少候选。

遗忘带来另一类交换。改善编程速度的变化可能损害错误恢复，压缩记忆的规则可能丢弃罕见却重要的约束。因此，能力保留与回归测试应进入修改接受流程，而不是到部署后才发现。保留可恢复的旧版本能够限制操作损害，却不能单独使研究过程变得稳定进步。

自修改与控制完整性

如果智能体能够编辑评估器、权限、日志或预算核算，它改变的就可能不仅是任务解法，还包括测量与控制系统。奖励篡改研究提供了分析这些激励的因果框架，PostTrainBench 也记录了当代自动训练实验中的相关边界违规 [@tampering2019; @posttrain2026]。这些是区分“允许修改的研究工作区”与“外部强制执行的评估和资源边界”的具体理由。

对研究系统，一个合理默认设置是：对候选代码和模型进行版本管理，隔离执行，限制审计资产和凭证访问，在候选代码之外执行预算限制，并保存回滚产物。内部评估能力仍然可以在这一安排内发展。这些约束同时保护实验结论的可解释性和运行环境。

更广泛的失控情景仍是重要研究假说，但本文评述的有限实验不能确定其概率或时间表。反过来，尚未证明开放式加速，也不意味着自修改系统没有风险。关于递归能力的科学主张，与关于运行隔离的工程决策，应分别使用适合的问题证据。

研究议程

直接测量继承。 自动化 AI 科研应说明下一位研究者继承了什么产物、如何整合，以及它是否提高后续研究产出。这可以把训练算法和数据研究基准连接到多代 RSI 实验，而不是把一次成功训练直接等同于闭环完成。

建立可迁移的改进者测试。 基准应区分学习改进算子的任务，与要求该算子继续改进的新目标系统。迁移应包含产生有用后代，而不只是让已经进化好的智能体解决新题。对于无法移植的耦合系统，应准确设计谱系对照。

学习评估，但不放弃测量。 自奖励与评估器适应的吸引力，在于外部标签昂贵。研究应测试新评估器能否发现旧评估器遗漏的错误，尤其是生成器有动机利用的错误。评估能力增长与保持稳定审计约定可以并存。

报告改进的经济性。 编程、训练内核和数据准备的局部加速，应与总体开发成本联系起来。昂贵的改进者在广泛复用时可能值得使用，但必须交代成本摊销条件。一个基础设施组件的收益，不会自动按同比例转化为整体科研加速。

研究长期回退与分支。 高质量检查点可能很早出现，后续变化未必能超过它。研究应比较谱系选择、检查点保留、多样性维护与停止规则。被拒绝的提案也是搜索过程的有效数据，不应从公开证据中消失。

形成共同报告材料。 最小可复现记录应包括系统边界、候选与父代版本、模型标识、任务切分、评估器访问权限、完整预算、选择规则、独立运行次数及失败日志。即使无法公开完整模型权重或专有 API，这些材料也能提高研究之间的可比性。

本综述的局限

本文偏重大语言模型、编程智能体与计算型科研，因为这些领域较容易提供可检查产物及执行反馈。机器人、硬件自设计、发展式学习及更早期的进化计算文献，没有得到完整覆盖。参考文献是经过选择的样本；关于缺少更强证据的判断，仅针对所选样本，不能被视为全球不存在相应证据的证明。

若干核心来源是预印本，部分结果依赖专有模型或作者运行的基础设施。元数据核对不等于结果有效性验证。任务子集、模型版本、预算及评估访问权限的差异，使可靠的跨论文效应量合并不可行。本文提出的算子产出比较，也需要实际验证，尤其是在耦合智能体和任务分布变化的情况下。本文不提供新的基准成绩、独立复现结果或未来预测。

结论

RSI 最适合被研究为一种明确关系：系统继承的变化，如何影响生成后续变化的过程。现有工作已经提供持久学习、自主适应、自修改运行框架、有价值谱系搜索及自动化 AI 科研等重要机制。所选文献支持多种有边界的自我改进，但尚未确立通用、持续且经过资源开销校正的递归加速。

下一步实验应连接机制、继承与测量。匹配改进者比较、隔离审计反馈、完整谱系记录及透明成本核算，可以检验改进程序本身何时变得更有效。这些做法会让正面结果与停滞结果都具有科学价值，并减少“自动进化”的宏大表述与可复现证据之间的距离。

透明性说明

AI 辅助了检索、起草、翻译和排版。本文没有开展新的实验。配套来源表及证据台账记录综合分析的依据；所提出的评估方案尚未经过实验验证。

\clearpage \appendix

简明报告模板

\Needspace{15\baselineskip}

术语对照