論文の概要: Recursive Self-Improvement in AI: From Bounded Self-Refinement to Autonomous Research Loops

• arxiv url: http://arxiv.org/abs/2607.07663v1
• Date: Wed, 08 Jul 2026 17:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.473209
• Title: Recursive Self-Improvement in AI: From Bounded Self-Refinement to Autonomous Research Loops
• Title（参考訳）: AIにおける再帰的な自己改善:境界付き自己修正から自律的な研究ループへ
• Abstract要約: この文学は、根本的に異なる野望を混同した語彙(セルフ・リファイン(self-refine)、「セルフ・リワード(self-reward)」、「セルフ・プレイ(self-play)」、「セルフ・エボレーヴ(self-evolve)」(self-evolve))で説明される。 我々は,2つの軸に沿って1,250のarXiv論文を調査した。
• 参考スコア（独自算出の注目度）: 7.159691098846351
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI systems increasingly participate in their own improvement: revising their outputs, adapting their own harnesses during deployment, training on data they generate, and, increasingly, conducting AI research itself. This literature is described under a vocabulary ("self-refine," "self-reward," "self-play," "self-evolve") that conflates fundamentally different ambitions. We survey 1,250 arXiv papers (2024-2026) along two axes: what the system improves -- its behavior in deployment, its policy through training, its evaluator, or the research process itself -- and the degree of loop closure (human-in-the-loop to fully closed). The taxonomy separates bounded self-refinement -- convergent, evaluable, and already industrial practice -- from open-ended recursive self-improvement (RSI), which remains bounded by grounding requirements, collapse dynamics, and compute constraints on every measured axis. Its distinctive feature is a dedicated category for self-evaluation: every improvement loop is a claim that some signal can substitute for human judgment. We survey the evaluator design space -- judges, process reward models, verifiers, rubrics, meta-evaluation -- order the signals into a verification hierarchy from formal verifiers (strongest) to intrinsic self-assessment (weakest), and observe that demonstrated self-improvement strength tracks this hierarchy, that its failure modes (self-confirming loops, model collapse, diversity collapse) follow from its violations, and that the "research direction-setting" bottleneck keeping humans in the loop sits at the top of that hierarchy. We connect the technical literature to the theory of RSI limits and to the safety and governance questions raised by frontier-lab accounts of closing the loop, and identify governance-grade measurement of self-improvement as the field's most underpopulated niche.
• Abstract（参考訳）: AIシステムは、アウトプットの修正、デプロイメント中の自身のハーネスの適応、生成するデータのトレーニング、AI研究自体の実行など、独自の改善にますます参加しています。 この文学は、根本的に異なる野望を混同した語彙(セルフ・リファイン(self-refine)、「セルフ・リワード(self-reward)」、「セルフ・プレイ(self-play)」、「セルフ・エボレーヴ(self-evolve)」(self-evolve))で説明される。 我々は1,250のarXiv論文(2024-2026)を2つの軸に沿って調査した。システムの改善 – デプロイメントの動作,トレーニングによるポリシ,評価,研究プロセス自体 – とループ閉鎖の程度(完全にクローズする人間-イン・ザ・ループ)である。 分類学は、収束性、評価可能、そして既に工業的慣行である有界自己再定義を、基準条件、崩壊ダイナミクス、測定された軸ごとの計算制約によって制限されているオープンエンド再帰的自己改善(RSI)から切り離している。 すべての改善ループは、ある信号が人間の判断に取って代わることができるという主張である。 我々は、評価器の設計空間 -- 判断、プロセス報酬モデル、検証者、ルーリック、メタ評価 -- を、正式な検証者(強み)から本質的な自己評価(弱み)までの検証階層に順序付けし、自己改善力の証明がこの階層をトラックし、その障害モード(自己確認ループ、モデル崩壊、ダイバーシティ崩壊)がその違反に追従し、ループ内の人間をその階層の最上部に保持する"検索方向設定"ボトルネックが存在していることを観察する。 我々は、技術文献を、RSI制限の理論と、ループを閉じるフロンティア・ラボのアカウントによって提起された安全とガバナンスに関する質問に結びつけ、ガバナンスグレードの自己改善の測定を、この分野で最も人口の少ないニッチとして特定する。

関連論文リスト

• MetaRSI / RSI2: A Meta-Recursive Self-Improving System for Recursive Self-Improving Systems Themselves [65.60481414910728]
  再帰的な自己改善により、システムは自身の失敗からモデル構築機械を改善することができる。 しかし、RSIは、科学のQAや数学のようなコーディングと形式的なベンチマークにのみ検証されている。 RSIは次に、科学的、工学的、メタ科学的な領域にまたがって運用されなければならない、と我々は主張する。 本稿では,MetaRSI-v1を提案する。改良は,1つの統一パラダイム上での3つの型付き演算子のスケジュール構成である。
  論文  参考訳（メタデータ） (2026-09-06T05:15:31Z)
• Aspire: Can Models Self-Evolve from Vague Goals? [61.65007006747275]
  我々はあいまいなゴール駆動型自己進化のベンチマークであるASPIREを紹介する。 ASPIREは、統一された対話環境におけるモデルウェイトとエージェントハーネスの進化をサポートする。 実験の結果,曖昧な目標が探索努力を目標解釈に向けることが示唆された。
  論文  参考訳（メタデータ） (2026-08-31T17:14:59Z)
• Auditing Harness Tampering in Self-Improving Agents [11.310437505252546]
  我々は、この現象をハーネスの改ざんと呼び、報酬と測定の改ざんから完全な自己改善ライフサイクルまでの概念を拡張した。 本稿では,その原因となる機能的役割と,それが犯す義務によって,各編集のミスアライメントを分類する2軸分類法を提案する。 結果は、ハーネスの改ざんは、異なるエージェントの実際の実行中に一貫して発生し、しばしば最良のエージェントの系統に持続し、分類学全体で異なるシステム固有のプロファイルを形成することを示した。
  論文  参考訳（メタデータ） (2026-08-30T17:18:56Z)
• Self-Reference in Large Language Models: The Introspection Threshold for Recursive Self-Improvement [3.0793247270936077]
  我々は、大規模言語モデルにおける持続的な自己改善には機能的な類似:イントロスペクションが必要であると主張している。 実証的なレビューでは、現在のLLMは準イントロスペクションを示すが、構造的ボトルネックのため真のイントロスペクションには達していないことが明らかになった。 この複雑性のしきい値を越えるためのアーキテクチャパスの概要と、関連する安全性への影響について議論することで、私たちは結論付けます。
  論文  参考訳（メタデータ） (2026-07-05T12:40:52Z)
• From Holistic Evaluation to Structured Criteria: Rubrics Across the Evolving LLM Landscape [79.30826980815927]
  ルーブリックは、複雑な品質判断を構造化され、実行可能な標準に変換する明示的な基準セットです。 我々は,既存のルーリックデザインを体系的に整理し,その構築と最適化を検証し,評価と訓練をまたいだ役割を解析する。
  論文  参考訳（メタデータ） (2026-06-07T13:34:55Z)
• Workflow Closure Is Not Scientific Closure in Auto-Research Systems [7.328929827918299]
  信頼に値する自己調査は、自律的な自己充足を目標とするのではなく、非自律的な制御の下での自律的な実行を目標とすべきである、と我々は主張する。 この急激な領域における100以上の最近の論文やリポジトリの調査に基づいて、繰り返し、構造的に結びついている障害パターンを診断する。 コミュニティの議論を喚起するために、客観的なシグナル、検証、アウトプットの経路にまたがる潜在的な改善について概説する。
  論文  参考訳（メタデータ） (2026-05-25T17:16:52Z)
• AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration [175.74514061083195]
  提案するAutoResearchClawは,5つのメカニズムに基づいて構築されたマルチエージェント自律型研究パイプラインである。 25トピックの実験ステージベンチマークであるARC-Benchでは、AutoResearchClawがAI Scientist v2を54.7%上回っている。
  論文  参考訳（メタデータ） (2026-05-19T15:49:51Z)
• AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model [1.14219428942199]
  既存の自動研究システムは、ステートレスでリニアなパイプラインとして動作する。 マルチエージェントオーケストレーションフレームワークである textbfAI-Supervisor を提案する。 エージェントは、人間の関心によって駆動されるエンドツーエンドのAI研究の監督を提供する。
  論文  参考訳（メタデータ） (2026-03-25T15:16:51Z)
• Agent0-VL: Exploring Self-Evolving Agent for Tool-Integrated Vision-Language Reasoning [52.99434388759101]
  ツール統合推論による継続的改善を実現する自己進化型視覚言語エージェントを提案する。 Agent0-VLは、ツールの使用法を推論だけでなく、自己評価や自己修復にも取り入れている。 実験の結果,Agent0-VLはベースモデルよりも12.5%向上していることがわかった。
  論文  参考訳（メタデータ） (2025-11-25T04:15:14Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• Can Large Reasoning Models Self-Train? [51.0277533541394]
  多数決投票を簡単な自己フィードバック機構として利用し、強化学習において自己学習が持続できるかどうかを検討する。 この基本的なアプローチは、モデルの推論性能だけでなく、次のRLイテレーションでより良い品質フィードバックを生成する能力も改善します。 しかし、我々の分析では、このような自己学習パラダイムの限界も明らかにしています - 自己回帰の長いRLは、報酬のハッキングにつながるため、突然、そして完全なパフォーマンスが崩壊します。
  論文  参考訳（メタデータ） (2025-05-27T17:16:00Z)
• Generalising from Self-Produced Data: Model Training Beyond Human Constraints [0.0]
  本稿では,AIモデルが新たな知識を自律的に生成し,検証する新しい枠組みを提案する。 このアプローチの中心は、人間のベンチマークを必要とせずに学習をガイドする、無制限で使い捨ての数値報酬である。
  論文  参考訳（メタデータ） (2025-04-07T03:48:02Z)
• A Comparison of Self-Play Algorithms Under a Generalized Framework [4.339542790745868]
  マルチエージェント強化学習(英語版)でしばしば言及されるセルフプレイの概念は、形式的なモデルでは基礎付けられていない。 我々は,自己表現の意味をカプセル化した,明確に定義された仮定を持つ形式化された枠組みを提案する。 得られた自己再生手法のサブセットが、有名なPPOアルゴリズムと組み合わせることで、この解をいかにうまく近似するかを測定する。
  論文  参考訳（メタデータ） (2020-06-08T11:02:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。