模型在”标准化考试”上已经快摸到顶了，但在”真实任务执行”上才刚刚起步。 HCI 的用意并非给模型排座次，而是作为一张诊断图，指明哪些领域的”剩余空间”最丰厚——这正是 RSI 未来最应该发力去啃的硬骨头。
自OpenAI 组建RSI 团队，Anthropic 发布《When AI Builds Itself》，Google DeepMind 用 AlphaEvolve 优化自家芯片。
RSI（Recursive Self-Improvement，递归式自我改进）很快进入了大众视野。
国内也接着出了一份RSI行业分析报告，详细的阐述RSI该如何落地。发布仅 10 小时就达到百万浏览。
图片
图片
Theseus Labs通过收集OpenAI、Anthropic、Google DeepMind、Meta、腾讯混元、字节 Seed 等 72 家公司与团队的公开材料，用”改进循环”作为分析单元，系统梳理了 RSI 的技术路线、产业实践和评估挑战，最终给出从 L1 到 L5 的自主权路线图。
用一把尺子HCI，量出模型的”能力余量”
要判断模型离真正的自主还有多远，首先得有一把统一的尺子。Theseus Labs 构建了一个新指标——HCI（Headroom-Closed Index，能力余量闭合指数）。
HCI 衡量的是：相较于某项评测最初的前沿水平，模型填补了多少通往满分的差距。计算方式很直观：
HCI =（当前得分 − 基准得分）÷（100 − 基准得分）× 100
例如某评测基准年得分 60 分、当前得分 80 分，HCI 就是 50，意味着原有提升空间已被填补一半。汇总某个领域时，先取各评测每年 HCI 的第 90 百分位代表当年前沿水平，再按参与模型数量的平方根加权平均——既兼顾覆盖度，又避免规模最大的评测主导结果。
他们汇集了 2023 年至 2026 年间、覆盖 10 大能力领域的 393 组模型与基准测试观测。
到今年为止，前沿数学的 HCI 已达 86.4，研究生级科学为 85.8，广博知识为 77.2；然而法律推理只有 64.5，多模态推理 62.2，前沿学术广度 60.4。
说得直白一点：模型在”标准化考试”上已经快摸到顶了，但在”真实任务执行”上才刚刚起步。 HCI 的用意并非给模型排座次，而是作为一张诊断图，指明哪些领域的”剩余空间”最丰厚——这正是 RSI 未来最应该发力去啃的硬骨头。
五级自主权：从”执行”到”递归继承”
基于 HCI 的诊断，Theseus Labs 按 AI 在改进循环中承担的责任，发布了 RSI 五级框架，首次系统定义了”递归自我改进”的阶梯。
图片
- L1 执行自主：人类设计任务、设计试验环境、设计更新策略；智能体闭环只负责执行任务、更新。
- L2 策略自主：人类设计任务、设计试验环境；智能体闭环增加”设计更新策略”，策略由系统持久化沉淀。
- L3 经验获取自主：人类只负责设计试验环境；智能体自主规划经验获取、执行、设计更新策略，经验设计由系统持久化沉淀。
- L4 环境适应自主：人类只设定边界；智能体自主规划经验获取、与环境交互、设计更新策略，环境适应由系统持久化沉淀。
- L5 递归继承自主：人类依然只设定边界；智能体则开始”改进改进系统本身”——设计经验获取、与环境交互、设计更新策略，改进系统设计本身也被持久化沉淀。
每个层级里，人类投入的部分在逐步退出，智能体闭环接管的部分在逐步扩张。
用一个直观的类比：把能力提升比作登山，L4 是在既定路线上适应环境完成目标；
而 L5 会关注”登山方法”本身——自主发现能力前沿、思考受阻原因、选择更值得尝试的路线，并把验证过的新方法传给下一代继续使用和改进。
图片
到了 L5 这一级，每轮进步不仅让 AI 更能干，还能让下一轮改进更高效、更可靠——但这种持续递归的收益，目前仍缺乏充分验证。
这也正是”递归继承”名称的含义：决定后续改进的机制本身，开始由 AI 接管。
4.大厂进度，绝大多数还停在 L1–L2
沿着五级阶梯看，全球头部玩家的路线选择已经明显分化：有人从模型权重和训练规则切入，有人从 Harness、记忆和技能库入手，还有人把赌注押在评估器与奖励机制的持续演化上。
目前大厂主要集中在 L1–L2：
- OpenAI Symphony、Anthropic Agent Skills 为任务衔接与技能复用提供支撑，减少重复操作；
- OpenAI GPT-Red 的攻防自博弈、Anthropic Claude 的工具优化，以及微软 Agent Lightning、DeepSeek R1，把策略改进纳入自动化闭环——让人工逐项调试转向批量试验与反馈驱动的优化。
向 L3 迈进的有腾讯 R-Zero，它开始自主出题、求解，减少对人工准备学习任务的依赖。
到了 L4，Factory Signals 以及作为候选的 OpenAI 自改进税务智能体，着力把部署中的失败转成后续更新，缩短”发现问题—修复—验证”的链路。
至于 L5，Meta HyperAgents、Sakana Darwin Gödel Machine、Weco AIDE2 尚属候选，Anthropic 的《When AI Builds Itself》仍是目标愿景。
图片
关键区别在于：L1–L4 主要是在既定改进机制下提升任务能力，而 L5 的”决定后续改进的机制”，才可能触及有效递归。
真正的提升，必须在同等预算下通过独立评估来确认，不能仅靠自我修改或自评分来宣称进步。
总体目标与安全边界，始终由人类把关。
5.模型的短板，恰恰是 RSI 的破局点
在 HCI 的观测中，最让人警醒的是”交互类能力”的严重滞后。
以 2026 年数据为证：软件工程 HCI 仅为 52.6，搜索与终端 Agent 为 56.8，而工具调用 Agent 更是低至 39.9——相比之下，研究生级科学高达 85.8，两者相差 33 到 46 分。
更值得注意的是：工具 Agent 的得分在年内实现了从 8.2 到 39.9 的猛涨，但仍处于全场最低位；而同步领先的网络安全 Agent 已触达 91.9 的高度，两者相差 52 分之多。
这说明，”边界清晰、容易验证”的环境里取得的测试增益，并不能自动迁移到”长程/有状态”的真实工作流中。
简单测评主要锻炼 L1–L2 的能力，环境类任务对应 L2–L3，而只有长程交互工作流，才能真正暴露出系统在 L3–L4 阶段所需的验证、记忆、适应能力。
那么 RSI 究竟能带来多大的增量？Theseus Labs 给出了一个示意性的延伸公式：
R = 100 − 0.22 ×（100 − 2026 年 HCI）
即假设 RSI 能按目前 0.22 的系数填补缺口，各领域的理论上限能摸到哪里。
测算结果相当可观：网络安全可从 91.9 提升至 98.2，软件工程可从 52.6 跃升至 89.6，搜索与终端从 56.8 提升至 90.5，工具 Agent 更是能从 39.9 直接拉高到 86.8。
为什么 RSI 能补上这个缺口？
因为”干活”需要长程交互、反复试错、回归测试，这正是 RSI 在积累经验与验证更新上的强项。
换句话说：现有能力缺口越大的领域，能从 RSI 中获得的潜在提升红利就越高。
图片
反复生成经验、验证更新、做回归测试，最能帮助那些”部署工作流薄弱”的环节，这是工程上最容易切入和落地的入口。
软件工程和工具使用型 Agent 距离能力天花板最远，RSI 的杠杆效应也最强。
工业实践，产业界已经跑起来了
RSI 不是纯理论。在工业实践部分，Theseus Labs 梳理了 Theseus、Lark、Humanlaya、ModelBest、腾讯混元、Agent-Native Research Lab 等系统的初步探索，每一个都交出了实打实的数字：
图片
Humanlaya（交付驱动的数据质量保障）：经过四轮反馈驱动更新，关键缺陷率从 **9.0% 降至 3.7%**，平均人工处理时间从 48 分钟降至 27 分钟。
图片
面壁智能（ModelBest）（零人工工业 AI 工程）：让 Agent 自主完成工程设计、实现和优化，并沉淀经验复用，其 ForgeStencil 实现了 1.15–1.9× 加速。
图片
腾讯混元（经验驱动的自改进）：把代码、日志和评估反馈沉淀为经验，驱动下一轮实验；在 nanochat 上验证 BPB 从 0.9109 降至 0.9015。
图片
此外，小红书生成式推荐利用推荐后的真实反馈持续校正用户记忆，并将高价值难例转化为后训练样本，形成”记忆更新＋模型迭代”的双层闭环；
阶段性实验中，Feed 的精排分 score_mean@16 从 2.211 提升至 2.366，提升约 **7.0%**。
Lark 则构建企业级 RSI 的数据底座，把协同数据持续结构化、评估并提炼为高质量知识与训练信号。
四个领域，不同的速度
除了厂商实践，Theseus Labs 还比较了 4 个实际应用领域，明确指出不同的领域正以不同速度向 RSI 迈进。
软件工程进展最远，而科学、机器人技术和医疗保健则更为受限——因为这些领域的反馈更难获得、或更冒险地验证。
“反馈成本””可验证性””部署约束”这三点，共同决定了 RSI 在每个领域的进展速度。
这也解释了为什么软件工程和工具使用型 Agent 会成为各家发力的第一站：工程任务的反馈廉价、验证明确、部署链路短，天然是 RSI 循环最容易闭合的土壤。
一次成功之后，还要问四个问题
报告在 L5 评估中特别强调：真正的递归改进，不能只看一次成功，还要追问四个问题——
- 可衡量：改进是否真实？能否在独立评估下复现？
- 可保持：改进能否持久保留，而不退化？
- 可迁移：改进能否跨任务、跨领域复用？
- 可回滚：改进失效时，能否安全撤回？
这四问，决定了 RSI 究竟是”一次性刷榜”，还是可持续的改进能力。
Theseus 自己的解法：环境—数据—模型协同进化
作为提出这份路线图的实验室，Theseus Labs 也有自己的落地解法，而且非常直观：先重构环境，再借环境发现真实能力缺口、生成训练数据，随后训练任务模型，最后用更强的模型推动下一轮环境迭代。
具体拆成四步：
- 重构环境：学习怎样把原始工作区还原成可供 Agent 训练与评估的环境；
- 暴露缺口：借助新环境发现真实能力缺口，并生成训练数据；
- 再训练模型：用生成的数据训练任务模型；
- 迭代环境：用更强模型推动下一轮环境迭代，形成闭环。
写在最后
报告标题里”Last AI Built by Humans”（人类建造的最后一个 AI），其实是一种提醒，每一次被验证的改进，都是下一轮探索的起点，智能增长形成杠杆，有限的资源撬动持续的跃迁。
这是Theseus Labs 给出的路线图，RSI 还很早，但通往”完全体”的路，已经第一次被清晰地画了出来。
https://arxiv.org/abs/2609.11873
责任编辑：武晓燕来源： CourseAI
