Evolvent AI 开源 RSIGym，Claude Opus 5 将 Qwen 模型 SWE-bench Verified 成绩提升近三倍

Rohan Paul· @rohanpaul_ai · X·2026-10-08 14:11· 5 小时前AI 评分57

AI 导读

Evolvent AI 发布开源研究环境 RSIGym，让 AI 智能体在统一预算环境内重训练模型并改写 harness。

正文

Claude Opus 5 在作为自动化 AI 研究员工作时，将 Qwen 模型的 SWE-bench Verified 分数提升了近两倍。

@Evolvent_AI 新发布的开源 RSIGym 让这一测量成为可能，它让 AI 智能体在同一个预算环境内重训练模型并改写其 harness。

表明当训练、服务和测试都作为现成服务提供时，前沿 AI 智能体可以大幅改进另一个 AI 模型。

智能体在仅 CPU 的容器中工作，并调用远程服务进行 LoRA 微调、模型服务、基准测试和沙箱，所有费用都计入每次运行的预算。

在主测试中，6 个前沿智能体从 Qwen3.5-35B-A3B-Base 和一个最小 harness 出发，每个基准测试有 500 美元的服务预算。

如果你在改进一个智能体，先阅读它的失败日志并修复 harness：在 10 个小测试中有 8 个显示更重的训练得分更低。

引用Fanqing@FanqingMengAI

💡我们的观点：RSI 是一个系统工程问题，而不仅仅是模型问题。进展取决于研究智能体所处的工作环境：它可以调用哪些资源、可以改变什么，以及它如何运行实验。该环境应反映真实的生产工作流，并且便于智能体使用。在 @Evolvent_AI，我们围绕 Everything as a Service 构建了 RSIGym。智能体可以调用成熟的研究服务，并在数据、训练设置和 harness 代码上迭代。我们还引入了 RSI-Index，用于衡量前沿智能体在联合改进目标模型权重和 harness 方面的表现。在 6 个研究智能体和 5 个基准测试中，Opus 5 以 0.4809 领先。🧵 我们将发布代码、实验配置、研究轨迹和评估日志。用 RSIGym 尝试你自己的改进方法。 🌐 网站：https://rsi-index.ai/ 💻 GitHub：https://github.com/evolvent-ai/RSIGym 📄 arXiv：https://arxiv.org/abs/2610.10310

在 X 查看被引用的帖子

来源：Rohan Paul · x.com