MetaRSI-v1发布，AI自我改进架构迈入统一新阶段

在人工智能技术快速发展的今天，"递归自我改进"（Recursive Self-Improvement，简称RSI）已成为业界关注的焦点。近日，一项来自上海交通大学、清华大学、字节跳动、小红书及上海人工智能实验室等机构的研究成果引发了广泛关注。这项名为《The Last AI Built by Humans》的论文，不仅描绘了人类与AI协作研发的未来路线图，更通过MetaRSI-v1系统，为AI自我改进设定了新的里程碑。

论文作者团队将通往真正RSI的路径划分为五个层级：L1至L4分别聚焦于改进执行自主、策略自主、经验获取自主和环境适应自主，而L5则致力于实现递归元改进。这一层级划分清晰地展示了AI从被动执行到主动优化的演进过程。值得注意的是，MetaRSI-v1的核心创新在于其提出的统一架构，它首次将数据、工具链和模型本身的改进能力整合为一个可复用的底层框架。

具体而言，MetaRSI-v1通过引入"Loop Kernel"范式，将AI自我改进的过程抽象为一个与对象无关的闭环系统。在这个框架下，数据、工具链和模型改进被统一成同一内核的不同实例化算子，实现了跨领域的协同优化。例如，Data-RSI可以从自身运行轨迹中提取学习信号，用于合成数据并放大模型能力；Harness-RSI则能在多个可插拔槽位上生成改进，包括提示词、记忆、工具和技能等；Model-RSI则专注于更新模型自身的参数与结构。

为了验证这一架构的有效性，研究团队进行了多项基准测试。结果显示，即使是一个仅30亿激活参数的小型模型，在四项基准测试中平均提升了10.9分；而包括GPT-5.6和Claude Opus 5在内的六款前沿旗舰模型，也平均提升了7.3分。这些数字背后，更重要的是MetaRSI-v1提供了一套试图统一整个RSI领域的架构语言，包括一个核心、两条编排轴、三个算子以及五大定律。

"MetaRSI-v1的意义在于，它第一次让AI自我改进拥有了统一、可复用的底层骨架。"一位参与研究的专家表示，"这不仅解决了过去RSI系统单一视角的问题，更为AI系统的持续进化提供了标准化的解决方案。"

尽管MetaRSI-v1已经取得了显著进展，但研究团队也指出，当前的系统仍然需要人类专家的部分介入。未来，如何进一步提升系统的自主性，同时保持可控性，将是研究者们需要继续探索的方向。

这张图表清晰地展示了MetaRSI-v1的核心设计理念：一个内核、两条编排轴、三个算子，以及在整个RSI领域中的广泛应用。这种统一的架构不仅提高了系统的灵活性和可扩展性，也为未来的AI自我改进研究奠定了坚实的基础。