omarsar0 推荐 RSI 基础模型论文，还有测 AI 自主科研的新基准

这是一篇关于基础模型系统实现递归自我改进（RSI）的重磅论文。（建议收藏）说真的，如果你想在自己的公司里尝试 RSI，我强烈推荐这篇论文。里面有很多很棒的见解和建议。

他们提出了 Recursa，在没有更强教师模型或人类专家的情况下，将 DeepSeek-V4.1-Flash 在留出法律任务上的全通过率从 30.0% 提升到 55.0%。模型权重保持不变。提升来自系统为自己编写的知识库。

该知识库存储领域技能、何时使用这些技能的指令、过去任务的记忆以及反思。Recursa 首先从领域材料构建知识库。然后并行学习者运行任务并提出修复方案，只有经过验证的修复才会被合并回去。

在 Harvey LAB 的 Firm Knowledge 基准测试中，使用相同的循环，Qwen3.8-Flash 从 35.0% 提升到 46.0%。如果你正在让智能体适应新领域，在考虑微调之前，先试试经过验证的技能知识库。与论文对话：

AI 智能体能够独立进行科学研究吗？Science's Last Exam 是衡量这一点的新基准。它由九个科学领域的真实研究任务构建而成。它测试智能体是否能够形成假设、规划实验方案、运行科学代码和软件，以及解读实验视频中发生的情况。来自 30 多家机构的研究人员编写并审核了这些任务。

在初始排行榜上，最强的智能体配置（Claude Code 中的 Claude Opus 5）在 100 分中获得了 37.5 的综合分数。在端到端研究赛道上，所有模型的得分均为 0。