論文の概要: RSI-Env: An Open-Ended Environment for Recursive Self-Improvement of Agents

• arxiv url: http://arxiv.org/abs/2611.01736v1
• Date: Sun, 01 Nov 2026 09:38:28 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:56:08.244728
• Title: RSI-Env: An Open-Ended Environment for Recursive Self-Improvement of Agents
• Title（参考訳）: RSI-Env: エージェントの再帰的自己改善のためのオープンエンド環境
• Abstract要約: 協調モデルハーネス改善のための永続環境であるRSI-Envを紹介する。 Selfでは、各モデルハーネスバージョンが次の改善ラウンドを引き継ぐ。 我々は、Qwen3.8-27Bから最低限のハーネスの7つのタスクで、Selfと2人の固定された外部教師を比較した。
• 参考スコア（独自算出の注目度）: 39.74019483357406
• License:
• Abstract: Recursive self-improvement (RSI) envisions agent systems that autonomously improve their own models and harnesses, with each updated system continuing to improve itself. Existing approaches typically restrict optimization objectives, editable components, or evaluation procedures, limiting open-ended exploration and continuity across generations. We introduce RSI-Env, a persistent environment for coordinated model-harness improvement, supporting autonomous training, harness modification, and retention of research state. An independent Host Controller manages services, evaluation, and versioning. Under Self, each accepted model-harness version takes over the next improvement round. We define three settings that vary goal specificity and access to benchmark feedback: Open-General, Capability-Directed, and Benchmark-Guided. Across these three settings, we compare Self with two fixed external Teachers on seven tasks, starting from Qwen3.8-27B with a minimal harness. Without benchmark feedback, Open-General Self raises GPQA Diamond accuracy from 65.2% to 73.2% and AIME 2026 accuracy from 53.3% to 56.7%. All three Capability-Directed Self runs achieve target-aligned gains. Knowledge Self demonstrates continued improvement across system updates, with SimpleQA accuracy rising from 82.0% to 85.0% and then 88.0%. Benchmark guidance and Teacher benefits vary by task. These results demonstrate RSI-Env's support for open-ended exploration and sustained recursive improvement within the studied runs, while highlighting challenges in preserving gains across capabilities.
• Abstract（参考訳）: 再帰的自己改善(Recursive self-improvement, RSI)は、自身のモデルとハーネスを自律的に改善するエージェントシステムを想定する。 既存のアプローチでは、最適化の目的、編集可能なコンポーネント、評価手順を制限し、世代間のオープンな探索と連続性を制限するのが一般的である。 RSI-Envは、協調モデルハーネス改善のための永続的な環境であり、自律訓練、ハーネス修正、研究状態の維持をサポートする。 独立したホストコントローラは、サービス、評価、バージョニングを管理する。 Selfでは、各モデルハーネスバージョンが次の改善ラウンドを引き継ぐ。 目標の特異性やベンチマークフィードバックへのアクセスを変える3つの設定を定義します。 これら3つの設定の中で、SelfをQwen3.8-27Bから最小限のハーネスの7つのタスクで2つの固定された外部教師と比較する。 ベンチマークのフィードバックがなければ、Open-General SelfはGPQAダイヤモンドの精度を65.2%から73.2%に引き上げ、AIME 2026の精度を53.3%から56.7%に引き上げる。 3つの能力指向の自己実行は、目標に整合した利得を達成する。 Knowledge Selfは、システム更新全体の継続的な改善を示し、SimpleQAの精度は82.0%から85.0%に上昇し、88.0%になった。 ベンチマークガイダンスと教師のメリットはタスクによって異なります。 これらの結果は、RSI-Envによるオープンエンド探索のサポートと、調査走行における再帰的改善の持続を実証するとともに、能力間の利益を維持する上での課題を強調している。

関連論文リスト

• RSI Arena: Towards Recursive Self-Improvement with Human Feedback [64.79750666976021]
  10台のフロンティアモデルがトレーニングエージェントとして働き、それぞれがNVIDIA Nemotron 3.5 Lightning 30B-A3B Baseから始まる。 我々は、20のベンチマークと盲人評価により、それらのモデルを評価した。 NVIDIA Instructを共通参照として,10モデル中8モデルのスタイル調整された相対評価において,Stage 1からStage 2への改善を観察する。
  論文  参考訳（メタデータ） (2026-10-24T11:54:45Z)
• GuideEvolve: Self-Evolving Agent Framework with Expert Guidance and 3Ts Mechanisms [0.0]
  GuideEvolveは、専門家のガイダンスと3つの自律的な規制機構を組み込んだ、自己進化型エージェントフレームワークである。 現在の最先端モデルに匹敵するパフォーマンスメトリクスを実現する。 100%の進化成功率を達成し、ベースラインの82%よりも優れている。
  論文  参考訳（メタデータ） (2026-10-21T16:46:22Z)
• RSIgen: Reciprocal Self-Improvement for Agentic Visual Generation [76.13535986114067]
  本稿では,タスク中心の相互改善フレームワークであるRSIgenを紹介する。 Dynamic Responsibility Routing (DRR)は、エビデンス、インプット、サポートされたアクションにマッチした介入を使用して、受講者を選別し、互換性のあるトレーニングターゲットを構築する。 BAGEL、Qwen-Image、Wan-Image-7B全体で、RSIgenはAgengen-Bench Full overall 9を3.2--3.3ポイント改善し、3サイクルのSearchGenをアクションコストで適応させた。
  論文  参考訳（メタデータ） (2026-10-13T16:41:24Z)
• Drafting Agents, Not Just Tokens: Speculative Recursive Self-Improvement for Agentic Systems [58.89141999692635]
  提案するSpeculative Recursive Self-Improvement(SpecRSI)は,前任者が十分に評価される前に,実行可能な後継エージェントをドラフトする。 VATSは、予測された継続の返却を使って、さらなる編集と優れたチェックの間に予算を割り当てる。 グループ検証最適化(GVO)は、実際の評価器を固定しながら、完了した探索から改善器を学習する。
  論文  参考訳（メタデータ） (2026-10-12T09:43:48Z)
• RSI-Anything: Unlocking Recursive Self-Improvement with World Models [76.79361510862277]
  RSI-AnythingはJEPA-Anything上に構築されたドメイン・ジェネラル・フレームワークである。 予測ワールドモデルを使用して、アクションと学習データの選択をガイドする。 コード修復では、コーダーが固定され、静的検証器で成功率は26.3%から予測選択により29.2%に増加する。
  論文  参考訳（メタデータ） (2026-10-09T17:50:30Z)
• RSIGym: A Flexible Environment for Recursive Self-Improvement [26.721449542473433]
  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。
  論文  参考訳（メタデータ） (2026-10-07T16:05:15Z)
• Scale and Selection: What Makes Automatic Harness Evolution Work for Visual-Interface Robot Agents [0.9961969009329336]
  市販の符号化エージェントのハーネスは,他のエージェントによって自動的に改善可能であることを示す。 単一ロールアウトはノイズの多いバイナリ結果なので、1ラウンドあたりのロールアウトが少なく、運良くリビジョンを推進できます。 修正されるたびに、不確定な編集が蓄積されると、10ラウンド以内にパフォーマンスが下向きにドリフトする。
  論文  参考訳（メタデータ） (2026-09-30T08:46:38Z)
• SCOPE: Self-Play via Co-Evolving Policies for Open-Ended Tasks [19.215310903576533]
  SCOPEはオープンエンドタスクのためのデータフリーなセルフプレイフレームワークである。 初期モデルの凍結したコピーが自己判断として機能する。 SCOPEは8つのベンチマークで最大10.4ポイントのオープンエンド性能を改善する。
  論文  参考訳（メタデータ） (2026-05-29T15:28:26Z)

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。