RSI

国内模型竞争焦点转向预训练架构创新，合成数据与RSI技术成新赛道，蒸馏并非决定性因素。

EverMind通过三篇论文系统性解决自进化AI技术难题，构建全栈解决方案。

RSI（模型自进化）正在成为AI领域的重要方向，Recursive Superintelligence验证了小规模成果，OpenAI等公司正加速探索。

Toby Ord认为递归自我改进（RSI）不会导致智能爆炸，因AI研究需更多突破，而非仅编程自动化。

Google因战略选择退出AI竞赛，转向世界模型而非递归自我改进，与OpenAI/Anthropic路径形成根本分歧。

AI代理在开放性研究中存在显著局限，无法有效进行递归自我改进。实验显示代理在资源管理、创造性反馈处理和研究方向调整上表现不佳。

1171名AI公司员工联署呼吁政府控制AI发展速度，HuggingFace披露AI驱动的17600次机器速攻网络攻击事件。

AI自我改进工程（Harness Engineering）将推动自动研究，使模型在保持目标指定需求下持续进化。

AI自我进化技术有望半年内实现闭环，但需解决递归漂移等关键挑战，Apodex通过发现模型探索科学难题。

Anthropic 发布的 Mythos 级模型 Fable 5 在性能上表现强劲，但因 ZDR 和 RSI 抑制政策引发争议。

Andrej Karpathy加入Anthropic负责Claude预训练研究，专注于AI自主改进能力(RSI)，这可能加速AI独立研发进程。

推文讨论了Gumroad启用RSI（可能指重复性劳损）相关话题，但内容碎片化且缺乏技术深度。

Suhail开发的RSI测试框架在Kaggle竞赛中达到前18%并发现ARC-AGI 2新优化技术，但因缺乏创造力尚未实现递归自我改进。

Richard Socher 提出 AI 正在参与 AI 研究，但需避免某些做法。