企业官网建设流程全解析

该文来自于以下单位的论文“metaSRI/SRI2: A Meta-Recursive Self-Improving System for Recursive Self-Improving Systems Themselves”， 2026年9月。

metaRSI 最有价值的贡献，是把“自我改进”组织成一个可调度、可审计的系统工程框架。论文提供了组合优化优于单独优化的实验依据；但对开放科学任务的泛化、“能力边界”的可靠识别，以及几条所谓“定律”，证据仍不充分。

如图所示：

一、metaRSI 的方法到底是什么？

作者把待改进系统写成：

S=(D,theta,H)

其中，D是数据，theta 是模型参数及训练配置，H 是执行框架（harness），包括提示词、记忆、工具、技能和 MCP 接口。基本观点是：系统表现由这三者共同决定，失败之后应该先判断改哪里，而不是默认继续训练模型。

整个方法可以分成三个层次。

第一层：三个改进算子，共用一个闭环。

三个算子都遵循同一个内核：

观察 → 诊断 → 提案 → 校验 → 执行 → 选择 → 导出。

关键设计是权限分离：模型负责诊断和提出修改，受保护的程序负责检查修改范围、执行评估和决定是否接受。最终测试集、评估器、发布规则与资源账本不允许被自改进组件修改。

Data-RSI 还把失败诊断为四类：知识缺失、推理失败、缺少验证、受到干扰项影响。它试图据此区分“已有能力没有用好”和“需要引入新知识”。

第二层：既优化执行顺序，也优化算子本身。

RSI² Agent 在两个轴上做决策：

• 横向调度：下一步运行哪个算子、按什么顺序、分配多少预算。
• 纵向优化：修改某个算子的诊断和提案策略，例如改变数据生成时优先处理的失败类型。

一个有代表性的过程是：

H → D → M → H

即先用执行框架补足行为，再收集改善后的轨迹、训练模型，最后删除已经被模型内化的框架规则。这样既可能提高能力，也可能收回提示词和记忆占用的上下文预算。

论文特别要求证据新鲜度：框架或模型改变后，必须重新评估、重新生成诊断。按照这一约定，H→ M被禁止，因为训练数据还没有反映刚刚改变的系统，需要先经过 D。

第三层：修改“如何调度”的策略。

一个完整改进周期结束后，MetaRSI² Agent 回顾收益、失败候选与预算消耗，修改下一周期的调度策略，例如：

• 什么情况下值得训练；
• 什么情况下先修改提示词；
• 什么时候停止搜索；
• 什么时候应该先改算子的提案策略。

这里的“meta”就是：不仅改系统，也改改进过程，再改控制这个过程的调度策略。最外层 meta agent 自身保持固定，因此是有限的三层结构。

metaSRI概览如下：

二、实验实际支持了什么？

主实验使用 Qwen3.5-35B-A3B。表 3 报告如下，单位为分数，提升量为百分点：

四项平均提升10.9 个百分点，相比最强单算子 Harness-RSI 多提升4.3 点，相比人工固定流程 （D→ M→H） 多提升3.6 点。

与“元改进”最相关的是第 5.4 节：从同一个第一轮结果出发，下一轮由原改进器继续优化，平均再提高 4.9 点；由更新后的改进器优化，则提高 7.2 点。五轮累计收益分别为 20.7 和 26.2 点。

这支持了一个较具体的结论：在这些任务与预算设置下，修改改进策略可能提高后续优化效率。但两条路径的单轮收益都在递减，实验展示的是延缓平台期，而非持续加速。

三、主要贡献

1. 把数据、执行框架与参数优化统一起来。

这是论文最扎实的贡献。它把常见但彼此割裂的做法放到同一套输入、产物、预算与验证协议下，让它们可以被比较、组合和自动调度。创新主要体现在系统组织方式，而非新的底层训练算法。

2. 将“如何改进”变成可优化对象。

它明确区分了算子执行、算子策略修改和调度策略修改。相较固定自训练流水线，这使系统可以根据历史证据调整改进方式。相同起点比较两个改进器的实验，也比仅展示最终分数更接近检验这一贡献。

3. 重视评估隔离、来源追踪与修改边界。

结构化补丁、受保护的评估器、产物谱系和资源账本，有助于判断收益来自什么修改，并减少直接篡改评分规则的空间。这些设计对实际部署很有价值。

4. 提供了适用于闭源模型的路径。

只开放 API 时，仍可以运行 \(D\leftrightarrow H\)：提取经验并改进执行框架，无须访问权重。论文报告六个模型在 Terminal-Bench 上平均提高 7.3 点，说明框架路线有一定实用潜力。

四、主要不足与值得质疑的地方

1. 研究动机强调开放领域，实验仍局限于强验证任务。

论文强调医学、历史、湿实验等领域缺少便宜的验证器，但实际实验全部依赖代码测试、选择题答案或数值答案。

因此，它证明了框架在可自动验证任务中的效果，尚未证明其能在弱验证条件下可靠运行。统一接口可以容纳专家判断，却不能自动解决专家判断昂贵、不稳定或有偏差的问题。

2. 没有观察到某种能力，不等于模型没有这种能力。

Data-RSI 用有限轨迹诊断知识缺失、推理错误等原因，但这些诊断本身依赖模型判断。

一次失败可能来自提示方式、搜索预算或工具使用问题，而非缺少知识。论文没有充分展示能力边界诊断的准确率、校准情况，以及与专家判断的一致性。将其视为外部监督的精确分配依据，还需要验证。

3. 同一个模型的盲解一致，只能有限地保证数据正确。

数据作者和盲解者虽然看不到彼此答案，却使用同一个目标模型，可能共享相同误解。因此：

独立输入下的一致性 /= 独立知识来源的正确性

论文承认这一点。代码任务有执行验证补强；缺少可靠答案的开放任务中，相关错误可能被重复生成并进入训练。

4. 组件贡献的因果归因还不够清楚。

完整系统同时具备动态顺序、纵向策略修改和跨周期 meta 更新。它超过固定流程的 3.6 点，不能全部直接归因于“顺序调度”。

更有说服力的实验应在相同总预算下，分别控制横向调度、纵向修改和 meta 更新，并加入更强的固定流程搜索基线。现有五轮对照有价值，但尚未把所有机制拆开。

5. 有一处明显需要澄清的内部一致性问题。

第 4.3 节明确规定：Data-RSI 只修改数据，不改变部署行为，因此不是 capability-altering step。但表 3 中，单独 Data-RSI 也带来了平均 2.8 点的部署分数提升。

如果参数与执行框架都不变，新数据通过什么途径影响推理？若使用了训练、检索或上下文注入，就需要解释为何仍算“只修改数据”。Model-RSI 单独运行时的数据来源也值得补充说明。这影响单算子基线的可解释性。

6. 成本、统计和复现细节不足以完全支撑效率结论。

论文报告五个随机种子的均值，但主结果缺少误差条或置信区间；AIME 只有 60 题，GPQA 子集只有 100 题，更需要呈现波动。

此外，论文声明预算相等、meta 预算单独记账，但缺少足够具体的预算数值、实际消耗及总成本对比。因此，准确率提高有表格支持，把 meta 开销也算进去后是否更划算，仍不清楚。目标函数还包括成本、回退和评估差距惩罚，主表却主要呈现准确率。

7. 几条“定律”的表述强于证据。

我更倾向把它们看成设计原则或待检验假说：

• 证据过期：系统变化后重新评估很合理，但旧数据不一定失效。禁止 (H → M) 是该框架的保守约定，未证明是所有自改进系统的必然限制。
• 能力载体与成本：把行为从提示词迁移到权重可能节省上下文，但“单一载体优化必然增加推理成本”过强；替换、压缩提示词就可能构成反例。
• 评估不可修改即可信：这是重要防线，但不能排除固定评估器的漏洞、代理指标偏差和反复适配。
• 所有能力增益都来自外部：需要严格区分新信息、新知识和任务能力。搜索、组合与训练可以改善已有信息的利用方式，不能仅凭“没有新增知识”就否认能力提升。

这是一篇有启发性的自改进系统框架论文，工程设计的价值高于其宏观理论主张。最值得借鉴的是三种改进手段的协同、对改进策略本身的优化，以及评估权限隔离；最需要补强的是开放任务验证、模块消融、能力边界诊断和包含 meta 开销的成本证据。