論文の概要: RSIGym: A Flexible Environment for Recursive Self-Improvement

• arxiv url: http://arxiv.org/abs/2610.10310v1
• Date: Wed, 07 Oct 2026 16:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.019369
• Title: RSIGym: A Flexible Environment for Recursive Self-Improvement
• Title（参考訳）: RSIGym: 再帰的な自己改善のための柔軟な環境
• Abstract要約: RSIGymは、Everys as a Service (E)に基づくエージェントネイティブな研究環境である 再利用可能なサービスを通じてトレーニング、推論、ロールアウト、評価、サンドボックスの実行を公開する。 これにより、エージェントは個々の介入を調査し、同じ環境内のデータ、トレーニング設定、実行ハーネスを共同で最適化することができる。
• 参考スコア（独自算出の注目度）: 26.721449542473433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recursive self-improvement requires carrying accepted changes into later improvement cycles, while studying agent-proposed changes also requires substantial research infrastructure. Existing settings often leave agents to rebuild routine infrastructure or restrict exploration to individual components. We introduce RSIGym, an agent-native research environment based on Everything as a Service (EaaS). RSIGym exposes training, inference, rollout, evaluation, and sandbox execution through reusable services, with shared budget and permission controls supporting Data, Harness, and Joint improvement tracks. This design enables agents to investigate individual interventions and jointly optimize data, training settings, and execution harnesses within the same environment. We define RSI-Index as the mean fraction of the remaining performance gap closed across five benchmarks covering software engineering, terminal interaction, mathematics, scientific reasoning, and skill-based tasks. Comparing six frontier research models in independent Joint runs, Opus 5 achieves the highest RSI-Index of 0.4809 under a $500 platform-service budget per benchmark run. Its selected systems improve all five benchmarks, raising SWE-bench Verified from 17.67% to 50.33% and AIME from 31.67% to 97.78%. Additional experiments examine DSH-harness refinement, budget variation, and restricted network access, while recorded trajectories reveal how agents diagnose failures and select candidates. We open-source the full RSIGym codebase and results to support reproducibility and further research.
• Abstract（参考訳）: 再帰的な自己改善は、後続の改善サイクルに許容される変化をもたらすことを必要とし、エージェントが提案する変化を研究するためには、かなりの研究インフラも必要である。 既存の設定では、エージェントが通常のインフラを再構築したり、個々のコンポーネントに探索を制限したりすることが多い。 Everything as a Service(EaaS)に基づいたエージェントネイティブな研究環境であるRSIGymを紹介する。 RSIGymは、再利用可能なサービスを通じてトレーニング、推論、ロールアウト、評価、サンドボックスの実行を公開する。 この設計により、エージェントは個々の介入を調査し、同じ環境内のデータ、トレーニング設定、実行ハーネスを共同で最適化することができる。 我々は、RSI-Indexを、ソフトウェア工学、終端相互作用、数学、科学的推論、スキルベースのタスクをカバーする5つのベンチマークにおいて、残りのパフォーマンスギャップの1つとして定義する。 独立したジョイントランにおける6つのフロンティア研究モデルと比較すると、Opus 5は、ベンチマークラン当たり500ドルのプラットフォームサービス予算の下で、最も高いRSI-Indexの0.4809を達成している。 SWEベンチマークは17.67%から50.33%に、AIMEベンチマークは31.67%から97.78%に向上した。 追加実験では、DSHハーネスの洗練、予算の変動、制限されたネットワークアクセスについて検討し、記録されたトラジェクトリでは、エージェントが障害を診断し、候補を選択する方法について明らかにしている。 我々はRSIGymの全コードベースをオープンソース化し、再現性とさらなる研究を支援する。

関連論文リスト

• ARISE-RL: Agentic Rubric-Grounded Iterative Self-Evolution with Reinforcement Learning [74.19730275669227]
  ARISE-RLは、オープンエンドエージェントをトレーニングするための新しいフルサイクルの自己進化フレームワークである。 Reward-Gated Self-Evolution Distillation (RG-SED)を提案する。 ECR-Benchは,シングルツールディープリサーチとマルチツールトラベルプランニングを対象とする,専門家校正型ルーリックベンチマークスイートである。
  論文  参考訳（メタデータ） (2026-09-01T10:54:13Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• RSIBench-Data: Benchmarking Data-Centric Research for Recursive Self-Improvement [27.641105176473136]
  既存のベンチマークは、最適化、サービス、評価、システム実装と研究上の決定を結びつける。 我々は、LLMエージェントのベンチマークであるRSIBench-Dataを、固定された後学習スタックを持つデータ中心の研究者として紹介する。 ソフトウェア工学,端末利用,科学的質問応答,数学の6つのベンチマークで,フロンティアエージェントを4つ評価した。
  論文  参考訳（メタデータ） (2026-07-28T15:46:41Z)
• AgentCompass: A Unified Evaluation Infrastructure for Agent Capabilities [55.23913617185508]
  Agentは、LLM(Large Language Models)ベースのエージェントを評価するための、オープンソース、軽量、インフラストラクチャである。 Benchmark、Harness、Environmentという3つの独立したコンポーネントに関する評価プロセスを編成する。 フォールトトレラントなランタイムと、報酬ハックのような障害モードを透過的に診断する包括的なトラジェクトリ分析ツールを備えている。
  論文  参考訳（メタデータ） (2026-07-15T11:11:17Z)
• Agentick: A Unified Benchmark for General Sequential Decision-Making Agents [30.028388632526745]
  Agentickはシーケンシャルな意思決定エージェントのベンチマークである。 プロシージャで生成されたタスクは6つの機能カテゴリ、難易度レベル4、観察モード5で37になる。 27のコンフィグレーションと90,000以上のエピソードにまたがる評価では、単一のアプローチが支配的でないことが示されている。
  論文  参考訳（メタデータ） (2026-05-07T19:12:03Z)

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。