谷歌论文曝RSI进展:SIM机制让Gemini继承经验持续进化
谷歌重磅论文:内部已实现RSI!Opus经验喂给Gemini,AI拥有...
新智元报道
新智元报道

谷歌内部可能已经把RSI真正做出来了。
按论文的说法,
Gemini由此可以「继承经验」、不断自我进化,新模型不用再从零起步。
谷歌最近发模型发得这么密,原因或许就在这里。
Gemini 4 Hydrogen上线还不满一周,更强的Gemini 4 Neon就紧跟着出现了。
线索可能要从谷歌与宾夕法尼亚州立大学深夜联合发布的一篇最新论文里找。
谷歌的顶尖研究员在这篇论文中提出了「自我改进记忆」(Self-Improvement Memory,简称SIM)机制。
大模型这回不只是学会了“写日记”复盘自己的代码。更出人意料的是,AI攒下的进化经验能跨模型家族“遗传”。上一秒用Claude
Opus调好的Agent框架,下一秒换到Gemini上,它照样接住Claude的“前世记忆”,站在前人肩膀上接着往前冲。
说白了,AI已经能“继承记忆”,递归自我改进(RSI)这条路算是真正走起来了。
靠堆算力“大力出奇迹”的老路子,正在走到头。
开发者最常撞上的噩梦,就在下面。
Agent全面铺开之后,RSI成了各家公司在卷的方向。
不过这里说的“改进”,一般不动大模型那几千亿参数的底层权重,动的是“Harness”,即包在模型外面的那层“机甲”,提示词、工具、拦截规则都归它管。
以前,AI 靠着 RSI 技术反复试错,把外面这层「机甲」磨得相当完善。可麻烦也藏在这儿:底层的「大脑」一旦更换,整套机甲就跟着失灵。
谷歌研究员做实验时撞见一个怪事:一套在 Claude Opus 上深度进化、表现很出色的 Harness,原封不动搬到 Gemini 身上,得分反倒不如 Gemini 自带的初始 Harness。
原因在哪儿?
代码交到新模型手里时,留下来的只有「结果」,「原因」没跟过来。新模型面对满屏繁复的规则、各式奇怪的拦截器和提示词,彻底摸不着头脑。
新模型的优化器不清楚此前每一次改代码是为了什么,于是就开始瞎改。
原本用来堵致命 Bug 的代码,可能被它当作冗余删掉;早已被证明没用的方案,也可能被它重新拎出来再跑一遍。
越优化越糟,最后卡在死循环里。

这篇论文提出了一套新框架 CRSI(Continual Recursive Self-Improvement),用意就是跳出上述怪圈。
框架的核心是 SIM(自我改进记忆)。

这可不是往大模型里塞一份简单的「聊天历史记录」。谷歌给AI优化器配上的,是一份高度结构化的「极客开发日志」。

这套机制叫SIM,即自我改进记忆。说白了,AI优化器从此有了一本条理清楚的开发日志。
SIM干活的方式,是把AI过去每一次「折腾」都记账。AI每改动一次Harness的代码,它便按「问题根因」归类,再把四大核心要素记下来。
一是Rationale,也就是修改动机和具体代码——AI究竟出于什么原因,动了哪一行代码?二是Predicted outcomes,即预期效果——动手之前,AI认为这行改动能修好哪些特定任务?
三是Observed outcomes,即实际效果——跑完之后成了几个、败了几个,有没有带出新的Bug?
四是Evaluation context,即评估上下文——当时用的是哪个模型、哪个数据集?这就像上一代模型临走前,给下一代模型留下一份写得极细的「交接文档」。

Gemini接手Claude留下的复杂Harness时,优化器不会再摸不着头脑。每一轮优化开始前,它先翻这份SIM日志,借前人的经验,「吃一堑而长一智」。
AI由此有了能代代相传的「进化底蕴」。

这套机制到底有多强?谷歌团队用一场跨模型接力来检验。
Claude Opus 5.5进化出的Harness,加上SIM记忆,被一起打包交给Gemini 3.8 Flash,由它接着往下优化。
论文里有个「过早完工」的Bug案例,相当经典,看了让人叫绝。
早先的优化中,AI总想省事。Git命令还没执行,它就先跟系统说「任务完成了」。
Claude阶段的优化器为此在Harness中塞进一个「拦截器」:命令没真跑过,就不许提交完成。
没有SIM会怎样?场面很难看。
Gemini拿到这个拦截器,却完全弄不清它为什么在这儿。
后面几轮迭代里,Gemini非但没把它改好,还把自己弄死机了——这段代码它重写了4次,其中2次是在修自己刚造成的Bug。
那样子,像个没读懂前人架构的新手程序员,在一堆烂代码上越堆越多。

有SIM时,情况完全不同,效果是压倒性的。
Gemini带着SIM日志接手,转折出现了。
优化器读完日志,马上明白:「这个拦截器是为了防止在没有证据的情况下过早提交。」
有了这层理解,Gemini把这拦截器留了下来,还顺手做了一次大幅升级。
它给拦截器加了对特定目标任务的检查:任务跑通还不够,还要和理论最优解对比,得分达标才允许提交通关。
这才叫真正接过来,再往前推一步。

论文里给出的实测结果,直接冲上了榜首。谷歌围绕四大核心方向铺开了大规模测试,分别是代码编写、文本分类、工作区任务和工程设计。
拿来对照的基线共有四种,具体如下。
第一种叫Cold Start(冷启动),做法是用最初那套种子Harness,从零起步。
第二种是Harness Transfer(仅传代码),新模型只接过上一个模型的代码,SIM记忆并不继承。
第三种叫Problem-Only Memory(仅传根因),只把过去踩过的坑告诉新模型,具体怎么改、改完什么结果,都不给。
第四种是Full SIM,也就是论文提出的完全体方案:完整的Harness加上完整的SIM进化日志,一并继承。
结果一出来,四项全赢。

先看第一个亮点:Workspace任务上,跨模型迁移让性能抬高了 16 分。
具体到Opus向Gemini迁移的Workspace任务,一开始水土不服,起跑分数只有68.41分。
继续往下优化,只传代码、不带SIM的那组,最终得分勉强爬到了 73.42。
反观有Full SIM机制撑着的Gemini,分数一路上冲,直接来到 84.75。
两边一对比,差距拉到 11.33 分,相当惊人。
第二个亮点落在Coding方向:胜率达到 90%。
Terminal-Bench里那些难度很高的命令行任务,研究团队一共做了10次独立的持续优化运行。
10次对拼下来,带SIM的一方有 9次 压过不带SIM的一方,平均分高出 2.36 分,统计学显著性也很强(p=0.003)。
第三个看点是跨数据集的泛化能力,同样没给对手留机会。
换模型不算什么,同一个模型去啃全新数据也一样——文本分类从3个老数据集挪到8个没见过的数据集,Full SIM在全部6个测试场景里都拿了最高分,把不带完整记忆的对照组全甩在后面。
数据摆在那里:把修改动机和测试结果记成「经验日志」,是AI捅破性能天花板的关键。

有人这样评价:眼下你或许只是对RSI的推进速度感到意外,用不了多久,它能达到的高度同样会让人意外。

以前大家嘴上都在喊RSI,实际上大多是「伪RSI」。
原因是没有记忆机制兜底,AI自我改进几轮之后就会出问题,性能反而往下掉。
谷歌这篇论文做的事,相当于把RSI在现实里真正打通了。
但CRSI加SIM这套组合说明了一件事:Agent的进化能像复利一样滚起来。靠「自我改进记忆」(SIM),每次迭代都在往上加。
第一代AI把代码优化了10%,顺手记下为什么这么改。第二代调出这份记忆,在那10%之上又往前推了20%。
到第三代,前两代的记录它都接着用,再去找新的突破口……
说到底,这更像一次没法回头的物种进化。
AI学会像人那样,用「文字(日志)」把知识一代代传下去,RSI的大爆炸也就来了。
这项研究给出一个判断:AI一旦能自我反思、自我记录,还能把经验教给彼此,进化的接力棒就已经到了它手上。它是一个不必从零起步的AI,一个经验一直在往上叠的AI。
谷歌这项工作,正是RSI从「单次实验」迈向日复一日滚存的关键一步。
参考资料: