arXiv cs.AI· Xin Xu, Ke Cheng, Hao Wang, Yangru Huang, Yanghao Xiao, Zhichao Chen, Zhisheng Zhong, Xun Liu, Yi Li, Qian Li, Haibin Lv, Jun Zhang, Jie Jiang, Zhouchen Lin·· 3 天前AI 评分27
SpecRSI：面向智能体系统的推测式递归自我改进
Drafting Agents, Not Just Tokens: Speculative Recursive Self-Improvement for Agentic Systems
AI 导读
研究者提出 Speculative Recursive Self-Improvement（SpecRSI），在智能体前代版本尚未完全评估前就起草可执行的后续智能体，但采用前必须完成验证。
正文 · AI 翻译
作者：Xin Xu、Ke Cheng、Hao Wang、Yangru Huang、Yanghao Xiao、Zhichao Chen、Zhisheng Zhong、Xun Liu、Yi Li、Qian Li、Haibin Lv、Jun Zhang、Jie Jiang、Zhouchen Lin
摘要：通过连续修订来改进智能体，需要在有限预算下平衡探索与评估。范围过窄的搜索可能错过有用的编辑序列，而完整评估每个中间版本又可能在那些序列产生经证实的改进之前就耗尽预算。我们提出推测性递归自我改进（SpecRSI），它在前代智能体尚未被完全评估之前就草拟出可执行的后继智能体，同时要求在被采纳前完成完整验证。验证感知树搜索（VATS）利用对某个延续的预测验证回报，在进一步编辑与待完成检查之间分配预算。分组验证优化（GVO）从已完成的搜索中学习改进器，同时保持真实评估器固定不变。在主要的科学对比中，最终增益超过 Janus 33.3%--40.0%。额外评估表明，SpecRSI 在所有 50 个科学主干--任务对中均优于 Janus，并在二十个主干上的宏观平均系统得分中超过 MetaRSI-v1 1.85%--2.38%。编码验证成功率达到 69.4%，而 HGM 为 64.3%，同时目标成本指数低 20.8%。
| 评论： | 47 页；代码可在 此 https URL 获取 |
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.16491 [cs.LG] |
| （或 arXiv:2610.16491v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16491 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xin Xu [查看电子邮件]
[v1]
2026 年 10 月 12 日星期一 09:43:48 UTC（1,743 KB）
来源：arXiv cs.AI · arxiv.org