RSIFlow论文:元智能体诊断并修复学生智能体

资讯 腾讯网 作者:科技行者 全文 5289 字 · 约 14 分钟读完 分类学术研究医疗 AI

你有没有想过这样一个问题:如果一个AI系统能够自己发现自己的问题,然后自己修复,接着再去发现新的问题,这个过程能一直持续下去吗?听起来像是科幻电影里的桥段,但这正是2026年这篇名为RSIFlow的论文想要解决的问题。更有意思的是,研究者们发现,现有的"自我改进"系统有一个相当尴尬的缺陷:它们大多是用同一套固定流...

所属频道 行业落地前沿研究

有没有设想过:一个AI系统若能自行找出毛病、自行修复,修完再找新问题,这样的循环能一直转下去吗?

听着像科幻片里的情节,可2026年那篇叫RSIFlow的论文要处理的正是这件事。研究者还发现,眼下的“自我改进”系统有个挺尴尬的毛病:多数是拿同一套固定流程去应付所有情况,好比医生手里只有感冒药,感冒、骨折、心脏病全开同一种。

**症结出在哪儿**

想弄明白这篇论文的分量,先得弄清楚

LLM智能体

*是什么:用大语言模型搭起来、能自己执行任务的程序,例如会写代码、会调工具查资料、能做多步推理回答问题的AI助手。

现在让这类智能体变强,路子大致有三条。头一条是直接改模型参数,让它在具体任务上练得更好,经典做法是harness”。

Harness

*指的是智能体跑任务时依赖的外部执行框架,涵盖行动规则、技能调用方式、任务规划逻辑,好比智能体的“操作手册”,并非模型本身。

第三条路是直接改它产出的具体成果,代码写错了就改代码,答案不对就改答案。

三条路各管一摊,听着挺合理。问题是:同一个智能体在不同阶段卡住,原因并不一样。

今天可能是执行逻辑有bug,任务失败;明天可能是模型本身能力不够;后天又可能只是某次输出的局部错误。死守某一条固定改进路线,比如永远只调模型参数,等于拿治感冒的方子去治骨折。

研究者给这个现象起了名字,叫

第二层问题更麻烦。假设真搭了一个“调度系统”,让它按当前情况挑该走哪条改进路线,那这个调度系统本身是不是也该随着经验积累变聪明?

现实里大多数系统的回答是不会。调度逻辑是写死的,靠的是设计者当初预设的规则,或者一个固定不变的大模型先验知识。换句话说,系统每一轮都在诊断问题、挑选疗法,可诊断和挑选的能力从第一轮到第一百轮没有任何长进。

这就像一个新手医生永远用刚毕业时学的诊断流程,看了一百个病人,判断标准还是第一天那套,过去的误诊和成功诊断都没能让他总结出新经验。

两个问题叠在一起,就是论文要正面解决的核心矛盾:怎么让改进流程跟着瓶颈走,同时让“怎么选改进流程”这件事本身也变强。

**RSIFlow的思路:两个智能体,一个干活,一个变聪明**

RSIFlow的解法在结构上其实挺直白:系统里设了两个角色。

一个叫

*:直接执行具体任务的那个AI,比如写代码、查资料、调用工具完成用户请求的角色。

另一个叫

*:不直接干活,专门观察任务智能体的表现,诊断它哪里出了毛病,再决定用哪种方式去改进它。

关键设计在这儿:元智能体的“模型”参数完全不变,论文里用的是

那元智能体靠什么变聪明?靠改造自己的harness,也就是不断积累、打磨手头那本“诊断手册”。

这个设计选择挺值得琢磨。为什么不直接把元智能体的模型也拿去微调?原因大概是:微调模型参数要大量数据和计算资源,训练出来的能力还很难解释、很难追溯。相比之下,把经验写成一条条带有适用条件、操作步骤、预期效果的“

老中医带徒弟就是这个道理。没人会要求徒弟每看完一个病人就重塑一次大脑神经结构,做法是让他把每次看诊的心得记进医案本,下回碰上类似症状再翻本子对照。本子越厚、记得越细,徒弟的医术就越高,可徒弟这个“人”本身并没有变。

**元智能体来挑三条可选的改进路线**具体到每一轮,元智能体能选的改进方向有 3 个,分别落在模型、框架、产出物 3 个层面上。

模型更新路线:把任务智能体干活时留下的成功轨迹收集起来,整理成训练数据,用监督微调更新模型参数,让它从自己过去做对的事里学。论文里也测试了用微调模型参数的办法。

框架更新路线:先定位任务智能体的执行框架里到底哪个模块出了毛病,比如上下文管理乱、工具调用逻辑有缺陷,再只重写这部分代码,其余部分原样不动。

产出物修正路线:模型参数和执行框架都不碰,直接让任务智能体照着反馈修改自己刚产出的那份代码或答案,测试通过就提交。三条路线里它成本最低,改动也最局部。

论文里有个具体案例,很能说明三条路线是怎么配合的。研究者记下了连续 5 轮的改进过程,顺序是框架、框架、模型、模型、产出物。第一轮,智能体本该交源代码,结果交了一堆文字说明,元智能体诊断出这是”

从第一轮到第五轮,分数总共涨了接近 19 个百分点。分数本身还不是最要紧的,这个顺序传递的信息更关键:在同一个任务领域里,瓶颈真会从接口层面的问题,挪到模型能力层面的问题,再挪到局部代码缺陷。死守任何单一路线,后面冒出来的新问题都接不住。

**元智能体怎么把经验攒成“手艺”**光有三条路线可挑还不够。真正的难题在于:每一次干预是成是败,元智能体怎么从中提炼出能复用的经验。

论文里为此设计了一套相当细致的机制。每次干预过后,系统会把干预前后的任务轨迹摆在一起对比,找出共同的子目标、工具调用节点或错误信号,把“改了什么”和“任务结果变了什么”精确对上。

从这些配对对比里,元智能体蒸馏出两类知识。一类是针对具体组件的技能,比如“遇到提交格式不对的情况,应该启用源码完整性检查”,这类知识只对特定的改进路线管用。另一类是跨组件的通用原则,比如“完成任务需要跟任务契约相匹配的证据支持”,它既能指导代码审查,也能指导工具调用结果的核验,更抽象,适用范围也更广。

每条知识落笔时都带几个固定字段:适用条件是什么、针对哪个组件、具体怎么操作、哪些东西必须保持不变不能动、预期会看到什么效果,以及支持或反对这条经验的历史证据。

这套机制的维护逻辑也值得一说。新知识进来有 4 种处理方式:从没见过的策略,直接新建一条记录;已有策略又冒出新的证据,就补进去;发现之前的适用条件描述不准,就修订出新版本,但历史链条保留、可追溯;几条记录内容重叠,或者被更完善的版本取代了,就合并整理。

这过程像不像一个老医生整理自己几十年的病例档案?起初碰上罕见病例就单独记一笔,后来发现某个病例其实是常见病的变体,就把它并进通用诊疗方案里。本子越厚并不等于越乱,有了这套整理机制,检索反倒越快越准。要是没有合并修订机制会怎样?答案很直接:知识库会越滚越大,新旧经验互相打架,检索时得翻遍几百条记录才找得到一条真有用的,系统反而被自己的记忆拖”

这些知识最终怎么落地,也得提一下。元智能体没把它们当摆设,而是真编进了自己执行时用的接口里,包括检索调用的方式、具体执行指令,以及调用这些知识的辅助提示词。换句话说,攒下来的技能和原则,会实打实改变元智能体下一轮诊断问题、挑改进路线、构造修改方案的全过程。这正是论文反复强调的”

**实验结果:六个基准测试,十二场比赛赢了十一场**设计思路说了这么多,实际效果如何?

研究者在 6 个公开基准上做了测试,覆盖代码生成(

拿来对比的基线方法分 3 类,包括只调模型参数的 SFT 和 GRPO,只改框架的”

十二种组合里,RSIFlow拿下了十一种。Qwen3-4B基座上综合得分51.21%,比表现最好的基线高出6.06个百分点;换到Qwen3-8B,综合得分59.86%,领先3.86个百分点。

单项成绩里涨得最猛的是代码生成基准HumanEval+,4B模型上pass@1提升了14.02个百分点。多跳问答那边,2Wiki基准上两个基座平均涨5.2个百分点,HotpotQA在8B基座上提升6.38个百分点。

| 方法 | HumanEval+ | MBPP+ | BFCL-v3 | ACEBench | HotpotQA | 2Wiki | 综合 |

|---|---|---|---|---|---|---|---|

| AFlow | 39.63 | 53.37 | 26.32 | 34.00 | 52.59 | 38.45 | 40.73 |

| SFT | 39.63 | 55.62 | 26.88 | 29.82 | 53.52 | 41.24 | 41.12 |

| SIA | 53.66 | 60.11 | 29.00 | 33.91 | 52.51 | 41.68 | 45.15 |

| **RSIFlow** | **68.29** | **66.29** | **29.23** | **38.00** | **56.72** | **48.72** | **51.21** |

这张表是Qwen3-4B基座下的部分结果,RSIFlow几乎在各个指标上都跑在前面。

拆解实验同样能说明问题。研究者把“只用固定路线”和“关闭元智能体演化”两个退化版本单独拎出来测:去掉自适应路线选择之后,代码、工具使用、搜索问答三个领域的平均分比完整版低了4到9个百分点不等;拿掉元智能体的经验积累机制,整体性能掉了5.74个百分点。两个机制都动真格,缺了哪一个,系统表现都要打折扣。

**算力花得值不值**

自我改进到底要烧多少算力,才能换来那么一点提升?这个问题常被跳过,却相当实际。

研究者为此专门做了预算效率分析,在不同推理轮次预算下横向比较各方法。结果显示,RSIFlow基本都落在

道理并不复杂。RSIFlow靠的不是无脑多采样、多试错去堆性能,而是精准定位该改哪个组件,把有限的算力压在真正卡住的地方。好比修车,老师傅听几声异响就能判断是刹车片还是轮胎出了毛病,直接换对应零件;没经验的师傅可能得把整台车拆开查一遍才找得到故障点,时间与成本完全不在一个量级。

论文还试了换不同的大模型来充当元智能体的“大脑”,分别用了

**这篇论文站在了谁的肩膀上,又给谁开了路**

这类研究并非从零起步。像

再往前推一点,SIA已经意识到该拿执行反馈在模型更新和框架更新之间做选择,可它的选择策略依赖一个固定不变的语言模型先验,本身不会随经验进化。

作者也坦率点了局限。眼下所有实验都跑在4B和8B这类相对小规模的模型上,放到更大规模的模型和集群级部署里,这套机制还灵不灵,目前没有答案。另外,元智能体和任务智能体耦合在一起会带来额外计算开销;若为省钱换个更弱的元智能体模型,演化效果很可能打折,这中间的权衡得靠更系统的研究。

写在后面

读完这篇论文,最让我意外的不是最终涨了多少分,而是那个五轮案例里瓶颈转移的具体轨迹。框架、框架、模型、模型、产出物——这个顺序并非设计者事先写好的剧本,是系统自己一步步诊断出来的路径。性能瓶颈的转移本身真实存在、可观测,不是研究者为了论证灵活性编出来的叙事。

还有个细节值得单独拎出来说。论文用了相当大的篇幅区分“任务层面的技能”和“元层面的技能”:前者是改进任务智能体执行行为的具体操作手册,后者指导元智能体如何诊断、如何选择、如何构造修改方案。这个区分乍看有点绕,细想它回答了一个很根本的问题——自我改进系统到底在“学”什么。答案不是单纯学会把任务做得更好,而是学会怎么去学会把任务做得更好。两层学习混在一起容易让人糊涂,分开之后,整套系统的逻辑反倒清晰了。

比较有意思的是GRPO那组对比实验:四倍多的算力换来1.6个百分点的提升。这组数字摆在那里,没有被过度解读,但它本身已经说明了很多。自我改进从来不是免费的午餐,每一次“变聪明”背后都有一张看不见的账单,这张账单怎么算,大概会是接下来这个方向绕不开的问题。

Q&A

Q1:RSIFlow是什么?

RSIFlow这套框架能让AI智能体自己找出性能卡在哪,再自行决定怎么改。它分成任务智能体和元智能体两种角色:前者干活,后者依据执行反馈决定是改模型、改执行框架还是改产出物;每轮改进攒下的经验会沉淀成可复用的技能,用来把后续决策能力越调越好。

RSIFlow跟以往的自我改进方法差在哪?老办法基本把改进路线钉死,要么只动模型参数,要么只改框架,性能瓶颈一换地方就接不住。RSIFlow的做法是按当下问题从三条路线里动态挑一条,同时让负责调度的元智能体靠攒经验越变越聪明,而不是照一套写死的调度规则走。

实验效果上,RSIFlow在六个公开基准、两种基座模型搭出的十二个测试场景里拿下十一个。Qwen3-4B上综合得分51.21%,Qwen3-8B上59.86%,分别比表现最好的基线方法高6.06和3.86个百分点;提升最明显的是代码生成任务。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 韩歆毅:AI已走进临床多个环节,蚂蚁阿福要做医患之间的连接

    IT之家 11 月 22 日消息,据新浪科技今天报道,蚂蚁集团 CEO 韩歆毅今日在 2026 蚂蚁阿福医疗健康生态大会表示,AI 这几年已经走到了临床的很多环节。韩歆毅表示:“我们看到从门诊到病房,从随访到科研,其实需要思考一个根本的命题,当 AI 走进了医院,走进了患者的日常生活,到底应该怎样服务医学、服务医生、服

    来源 腾讯网
  2. 李飞飞创办World Labs被AMD收购:46天交易,82亿美元

    从图像、空间到仿真环境,她不断拓展机器“看见世界”的方式。文|《中国企业家》见习记者 施思羽编辑|马吉英头图来源|视觉中国在World Labs位于旧金山的总部,两位华裔女性共同切下庆祝蛋糕。当地时间11月16日,半导体巨头AMD宣布,完成对世界模型World Labs的收购,交易金额82亿美元,全部采用股票支付。来源

    来源 腾讯网
  3. 谷歌论文曝RSI内部落地:SIM机制让AI经验跨模型遗传

    新智元报道 谷歌内部,或许真正实现了RSI!从此,Gemini已能「继承经验」持续自我进化,Gemini新模型不再从零开始!或许也正是这个原因,谷歌最近跟疯了似的不停发模型。Gemini 4 Hydrogen才发布不到一周,更强的Gemini 4 Neon就来了。答案,或许藏在谷歌与宾夕法尼亚州立大学深夜联合发布的一篇

    来源 腾讯网
  4. 谷歌论文:光改提示词智能体成功率反降,改运行框架升至40%

    调教 AI 智能体,惯用手法是反复打磨提示词。谷歌 11 月 17 日发表的论文却给出反直觉结论:只改提示词,智能体成功率反而从 5% 跌到 2.5%;而让优化模型直接改写其运行框架,成功率冲到 40%,足足 8 倍。 142 行代码,拆成四块逐个改 Harness 指包裹在模型外围的运行框架,负责

    来源 AI 开发者社区
  5. APEC媒体参访线路实探:从深圳的产业现场,看数字经济的亚太合作机遇

    每经记者:甄素静 王晶 每经编辑:魏文艺午后的深圳市南山区,鸿蒙生态创新中心体验馆内人头攒动。馆内共展出15大类近500款鸿蒙终端,覆盖工业生产、家庭生活、金融服务、医疗健康等多元场景,中外记者沿着各场景展台一路走一路拍,最直观的体验是设备之间不再各说各话。11月18日至19日,亚太经合组织(APEC)第三十三次领..

    来源 腾讯网
  6. 亚马逊披露中国背景AI代理11分钟自主攻破东亚医疗影像服务器零日漏洞

    亚马逊威胁情报披露,中国背景黑客利用开源AI渗透框架Cairn,指挥AI代理在9月对东亚大学医疗影像服务器发起攻击。代理在MONAI Label中发现路径遍历零日漏洞,11分钟内完成从API测绘到root权限获取的全流程。这是云厂商首次正式归因AI代理独立完成漏洞发现与利用的事件,MONAI Label补丁已于11月1

    来源 AI 行业观察
  7. Anthropic数学家宣称用Claude证明黎曼猜想,附14卷Lean代码

    Anthropic研究员Levent Alpöge发布声明,称在AI助手Claude协助下完成了黎曼猜想及广义黎曼猜想的证明。核心论证以25万页Lean形式化代码呈现,而非传统论文。目前数学界尚未完成独立验证,关键看形式化命题是否准确对应原猜想。这一事件标志着“人类引导+AI推导+机器验证”的新科研范式可能正在形成。

    来源 AI 应用前沿
  8. 韦布望远镜旧数据挖出51 Eridani b:新算法FLIP灵敏度最高提升15倍

    IT之家 11 月 21 日消息,美国西北大学(Northwestern University)研究团队开发了一种新的系外行星成像处理技术,从詹姆斯 · 韦布空间望远镜(JWST)此前拍摄的数据中,成功识别出一颗此前未能通过常规图像处理方法观测到的巨行星。 研究人员表示,这项技术可将望远镜对暗弱行星的探测灵敏度提升 2

    来源 AI 行业观察
  9. Navers Lab发布WorkflowArena:多智能体编排首个统一基准

    Einsia AI旗下Navers Lab推出WorkflowArena,这是行业首个针对多智能体工作流编排的评测基准。它包含145项跨领域长程任务,不预设分工,由模型自主调度子智能体完成。通过隐藏判题器和全过程留痕,该基准能分离并量化模型的“编排能力”与“执行能力”,为Agent框架研发和模型选型提供新的标尺。

    来源 AI 应用前沿
  10. 亚马逊拦下Grok Bot:马斯克回应,网友帮忙起名

    新智元报道 AI刚学会替你干活,亚马逊、摩根大通、嘉信理财就开始堵门了!10月18日,@trikcode在X上列出了一份「AI碰壁清单」,点名达美航空、摩根大通、嘉信理财、Yelp和亚马逊。他吐槽:那些本该替我们搞定一切的AI智能体,开始被互联网挡在门外。人愿意买,AI愿意跑腿,但最后一公里却卡在了平台不肯放行上!而亚

    来源 腾讯网
  11. 深夜,美股AI血崩,英伟达市值已跌去2.7万亿美元

    智东西(公众号:zhidxcom)编译 | ZeR0编辑 | 漠影智东西11月21日消息,一夜之间,美股惨遭“黑色星期五”,对AI泡沫加剧的担忧引发华尔街抛售潮,恐慌情绪集中爆发,美国科技股一片哀嚎,英伟达股价暴跌14%,戴尔暴跌11%,Anthropic暴跌9%,甲骨文、SpaceX、特斯拉暴跌8%,Meta暴跌6%

    来源 腾讯网
  12. 百奥几何发布GeoFlow V4:15项从头设计任务平均命中率34.6%

    11 月 19 日,百奥几何正式发布新一代药物研发引擎 GeoFlow V4。此次升级依托数据与模型的协同扩展,进一步提升结构预测、候选筛选与从头设计能力,并同步推出 GeoFlow Code 智能体式药物设计编排体系,共同支撑以成药为导向、贯通模型-分子-数据的 RSI 干湿反馈研发闭环。 GeoFlow V4 在覆

    来源 AI 行业观察
  13. Claude宣称证出黎曼猜想:1700万行代码,数学家先要验真

    11月20日,Anthropic数学家Levent Alpöge称在Claude帮助下找到黎曼猜想及广义黎曼猜想的证明,但未发表完整论文,仅公布约1700万行的Lean形式化证明证书。截至11月21日,该主张尚未经独立专家完整审查,克雷数学研究所的奖金评定还要求在同行评审期刊发表并经过至少两年审查。

    来源 凤凰科技
  14. 谷歌50天连发4款模型:Gemini 4 Neon登场,世界模型同步开放

    OpenAI时隔75天的顶级模型刚刚发布,社区里的吐槽就炸开了。有人直言新模型“几乎没法用”,有人抱怨它过分谨慎、难以指挥,还有人认为,这家伙解释起自己的工作就像在“说外星话”。甚至有人用漫画玩了个梗,吐槽GPT-6.2 Astra的语言风格,根本是防御过当。图片来源网络前·赛博义父Tibo在X上表示,他已经收到了关于

    来源 腾讯网
  15. 怀尔斯109页论文对比Lean上百万行:人类与AI证数学定理差在哪

    人类证明和 AI 证明数学定理的差异有多大?1995年,英国数学家安德鲁·怀尔斯发表了费马大定理的完整证明。这篇载入史册的论文刊登在《数学年刊》上,全文一共 109 页,算下来也就 4000 到 5000 行文字和公式。可如果把同等级别的现代数学定理,搬进专门做形式化验证的编程语言 Lean 里,让计算机一行不落、严丝

    来源 AI 行业观察
  16. 全球电子协会发警报:PCB短缺或延续至2027年上半年

    IT之家 11 月 22 日消息,全球电子协会(Global Electronics Association)11 月 18 日发布行业警报称,印制电路板(PCB)供应链短缺持续加剧,汽车、工业、医疗、国防和电信企业均反映交期延长、难以保障供应,AI 需求正在挤占本就紧张的产能。 协会指出,这轮需求不仅规模超出供应链原

    来源 AI 行业观察
  17. Gemini 4 Neon双榜高分:文档解析与另一赛道如何同时领先?

    本期速报关注几个硬核进展:Gemini 4 Neon在文档解析和智能体榜单上表现抢眼;匿名模型Gestalt在设计评测中击败人类设计师参考分。阿里确认用自研处理器训练新模型,字节跳动则发表论文主张精简AI训练流程。此外,AWS更新了Quick工作流工具,Databricks强调了数据治理对Agent准确率的重要性。

    来源 AI 应用前沿
  18. 谷歌字节快手集体降价,AI视频进入分秒计价时代?

    (本文作者为 AIX财经,钛媒体经授权发布)文 | AIX财经,作者 | 王璐,编辑 | 魏佳AI视频行业正在靠近一个类似DeepSeek的时刻,模型能力差距收窄,价格被打到分/秒,创作者开始批量调用。11月初,谷歌把视频模型Gemini Omni 1.2 Flash转为正式版,不仅支持15秒视频生成和多轮对话式编辑等

    来源 腾讯网
向下滚动自动加载更多