arXiv cs.CL· Taoyong Cui, Pinxian Zeng, Wanghan Xu, Hao Xiao, Shuhan Xue, Qiang Gao, Wanli Ouyang, Pheng Ann Heng, Zhenfei Yin, Yingcheng Wu, Ling Yang·· 6 天前AI 评分57
RSI-Anything：用世界模型实现递归自我改进的通用框架
RSI-Anything: Unlocking Recursive Self-Improvement with World Models
AI 导读
论文提出 RSI-Anything，一个基于 JEPA-Anything 的领域通用框架，用预测式世界模型指导动作与学习数据选择，并通过组件与兼容性检查决定是否保留更新后的策略-模型对。
正文 · AI 翻译
作者：Taoyong Cui、Pinxian Zeng、Wanghan Xu、Hao Xiao、Shuhan Xue、Qiang Gao、Wanli Ouyang、Pheng Ann Heng、Zhenfei Yin、Yingcheng Wu、Ling Yang
摘要：递归自我改进（RSI）旨在将交互经验转化为持续改进，但外部反馈成本高昂，且随着策略演化，世界模型预测可能变得不可靠。我们提出 RSI-Anything，一个基于 JEPA-Anything 构建的领域通用框架，利用预测性世界模型来指导行动和学习数据选择。观测到的反馈驱动策略或工作流改进以及条件世界模型自适应，而组件与兼容性检查则管控更新后策略-模型对的保留。在多个计算与科学领域，RSI-Anything 展现出显著收益。在代码修复中，固定编码器时，成功率从静态验证器的 26.3% 提升至预测性选择的 29.2%，再经世界模型自适应后达到 31.2%，且测试用量相当。图形用户界面（GUI）评估显示任务完成率更高，同时平均操作数减少 39.4%。在连续五个策略版本中，实验室规划得分从 21.80% 翻倍以上至 46.01%。在反应优化中，相同 40 次实验预算下，RSI-Anything 达到 96.15% 的平均最佳观测产率，而贝叶斯优化为 82.16%。一个端到端的免疫科学应用进一步将工作流演化与预测建模同治疗假设生成相连接。这些结果展示了预测性世界模型与保留的系统更新如何在不同环境中实现递归改进。
| Comments: | 代码：this https URL |
| Subjects: | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.13912 [cs.CL] |
| （或 arXiv:2610.13912v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13912 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ling Yang [查看邮箱]
[v1]
2026年10月9日星期五 17:50:30 UTC（9,225 KB）
来源：arXiv cs.CL · arxiv.org