谷歌开源RSI新成果，华人浓度爆表 - 开云登陆口网页版

谷歌发布了一项关于RSI（递归自我改进）的新成果，并将其开源。

该成果名为Harness²，它能让大模型在运行过程中，自行修改外部代码、系统提示词、工具链以及技能库。

没错，这就是在Harness层面实现的RSI。

其效果相当显著。

GLM-5在接入Harness²后，在WorkBuddy-Bench办公基准测试中，综合得分直接提升了11.5分。

瞬间超越了原版的Gemini 3.5 Flash。

整个过程无需改动模型权重，只需优化其外围的运行环境（脚手架）。

这是一种非常强大的“外挂”手段，任何模型套用后，其测试分数都能得到显著提升。

目前，该项目已全面开源，并已支持OpenCode与Codex。

为何“自我改进”常以失败告终

过去，业界为了让智能体变得更聪明，尝试过多种递归自我改进（RSI）方法。

思路听起来很理想：让AI自己编写代码、修改提示词、优化系统。但一旦将其置于真实的开放环境中，这些尝试几乎都以失败告终。

原因何在？

主要卡在两个关键问题上：

缺乏标准答案。

在实验室环境中，有单元测试和基准答案来判断对错。但在真实工作场景中，例如撰写商业计划书或审核法律合同，线上并没有人为你打分。

AI自己修改了一版提示词后，它如何判断修改是变聪明了，还是在胡编乱造？

过度拟合单一任务。

为了完成某个特定任务而费力改造的脚手架，当下一个任务变成编写爬虫程序时，之前修改的规则反而成了负担。

如果直接将修改后的脚手架套用到新任务上，系统很快就会陷入噪声螺旋，变得越来越笨。

谷歌团队此次提出的Harness²，正是针对这两个核心问题而设计的。

他们构建了一套双层递归架构。

双层递归：一边做实验，一边记笔记

Harness²名称中的“平方”，指的是两层相互嵌套的递归循环：任务级递归和改进级递归。

第一层，任务级递归：在没有标准答案的情况下进行对比实验。

面对一个新任务，系统先用初始脚手架运行一次，生成一条参考轨迹。这条轨迹的结果是否正确暂不关心，核心是观察模型在执行过程中暴露出了哪些缺陷。

接着，它会启动一个名为提议-探测-合成的机制：

提议： 专门的编辑角色会根据刚才的轨迹，提出两套修改方案。 一套是“通用缺陷修补”，专门针对跨领域的共性问题，例如规划混乱、工具调用死循环、上下文溢出等； 另一套是“领域专属修补”，专门针对当前业务的特定知识和约束条件。

探测： 将这两套修改后的候选脚手架，分别放回同一个任务中运行一次。 没有裁判也没关系，系统会抓取它们的执行轨迹与参考轨迹进行行为对比，观察改动是否解决了之前卡住的步骤，是否引发了新的逻辑退化。

合成： 合成器汇总所有执行证据，挑选出那些被行为证据证明有效的改动，并将其合并到最终的执行脚手架中。

这还没完。它还支持并行扩展，一次生成k组通用和领域候选方案，共2k个候选脚手架，并发探测后再进行k次独立合成，进一步拓宽搜索空间。

第二层，改进级递归：将修改脚手架的经验沉淀为元能力。

当前任务完成、交付物提交后，许多系统的生命周期便结束了。

但Harness²的真正厉害之处在于后续—— 它会把整个调试记录（包括参考轨迹、候选修改、对比证据、合成决策）交给反思模块。

反思模块复盘后，会生成一份EXPERIENCE.md文件，将这次为何如此修改、在什么条件下生效、带来了什么后果等信息，清晰地存储到持续改进经验库中。

等到下一个新任务到来时： 执行端拿到的，依然是一个干净的基础脚手架。 但负责修改脚手架的“改进大脑”，手里已经掌握了厚厚的历史经验手册。在提议和合成阶段，它可以直接检索过往相似场景下的有效组件和避坑指南。

改进的不仅仅是当前的脚手架，更是未来改进脚手架的能力。

这就将单次任务的临时修补，转变成了终身学习的认知资产。

实际测试结果

机制再精妙，最终还是要用真实数据说话。

团队直接选用了三个极具分量的硬核职业基准测试： WorkBuddy-Bench：涵盖代码、网页、办公套件三大高难度办公工作流； JobBench：长程端到端复杂专业岗位任务； LAB：Harvey开源的顶级法律智能体基准。

基础模型选择了Gemini 3.5 Flash和GLM-5，执行脚手架则选用了开源主流的OpenCode和Codex。

结果非常惊人。

在WorkBuddy-Bench测试中，仅进行单步Harness²改进： GLM-5在OpenCode下的综合得分从64.2飙升至75.7，暴涨11.5分；在Codex下也从64.4飙升至75.3。 Gemini 3.5 Flash在OpenCode下从72.4提升到77.5，在Codex下从74.5提升到77.5。

从数据可以看出： 经过脚手架优化的GLM-5，直接超过了未优化脚手架的原始Gemini 3.5 Flash。

在端到端岗位任务的JobBench上，单步改进同样带来了全面提升，Gemini 3.5 Flash上涨了4.5分，GLM-5上涨了3.6分；在法律基准LAB上，GLM-5的部分通过率直接提升了11.8个百分点。

如果将并行预算提升到 $k=5$，性能还会进一步提升：WorkBuddy-Bench最高再涨3.9分，JobBench再涨4.2分，LAB通过率再涨6.7个百分点。

更令人称奇的是经验库的跨领域迁移测试。

团队将在JobBench上积累的经验库迁移到WorkBuddy-Bench，在不增加额外探测预算的情况下，辅助单步Harness改进，最终让代码、网页、办公三项得分分别再提高0.6分、0.5分和2.9分。

过去两年，大家对AI的期待几乎全部押注在“基础模型规模扩展”上，总觉得只要等下一代GPT出来，手头的应用问题就迎刃而解了。

但现实给所有从业者泼了一盆冷水：基础模型越来越昂贵，边际效益在放缓，而落地场景中的长尾问题依然无穷无尽。

你给模型再大的上下文窗口，它在处理跨文件对账时依然会偷懒；你给它再高的测试分数，它写完报告依然不会主动打开文件去校验格式。

这些东西，靠预训练参数是永远无法解决的。

它需要的是一套能在运行中自我感知、自我修补、持续进化的运行时认知工程。

以前我们搭建脚手架，是工程师坐在电脑前一条一条手写提示词、配置工具、修复管道，累得半死还到处漏风。

现在Harness²证明了一条新路： 将规则制定的权力，交还给Agent自己。

论文作者

最后，按照惯例介绍一下论文作者。

一共9位，其中华人占比极高，高达78%。

由于篇幅有限，这里按顺序介绍三位。

Ruiyao Xu，论文第一作者兼通讯作者。 美国西北大学统计与数据科学系博士生，导师为Kaize Ding。 主要研究方向包括大语言模型、图机器学习、异常检测及AI Agent系统。 这篇论文，便是他在谷歌实习期间的工作。

Yanfei Chen，Google Cloud AI Research资深研究工程师。 本科毕业于北京大学，主修电气工程与经济学，2018年获得美国匹兹堡大学工业工程博士学位。 此后曾在机器学习公司Qeexo担任研究工程师，2020年加入Google，参与过Vertex AI Search、Gemini Enterprise Deep Research等项目，主要研究大语言模型智能体、检索增强生成及工具学习。

Zhongying CuiZhu，也叫Zoey CuiZhu，Google Cloud AI Research研究工程师。 2019年获得斯坦福大学电气工程博士学位，主要研究通用智能体、可验证智能体及智能体质量评估。

参考链接： [1] https://arxiv.org/html/2610.14224v1 本文来自微信公众号“量子位”，作者：Jay，36氪经授权发布。