RSI 自主程度（B0–L5）

資料來源#

• The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement

摘要#

這是一套自我改進系統的責任階梯，出自 The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement（Duan、Liu、Tang 等人，共 35 位作者，來自 Shanghai Jiao Tong University、Theseus Labs、Tsinghua、ByteDance、ModelBest、Xiaohongshu、Shanghai AI Lab、Humanlaya、Agent-Native Research Lab 與 Frontis.AI；arXiv 2609.11873，2026-09-10，79 頁，文件層級標記為 practitioner-opinion——詳見下文〈證據〉）。

這篇論文採取的整理方式，正是本 wiki 一直手動在做的事。先前的分類法按改變了什麼來整理自我演化系統——提示、記憶、harness、權重。這套分類則依據哪項改進決策從設計者移交給系統，理由是「更新相同元件的系統，可能把截然不同的決策交給 AI。」這正是遞迴自我改進花了大半篇幅，逐一重新推導並檢視各家廠商對這個詞的新用法的區別；傳承綜整則從產物的角度得出同一區別。這套階梯為它提供了詞彙。

論文列出的各層級如下：

層級	AI 內化的內容	代表性系統
B0	沒有持久改變——輸出變了，系統沒變	Self-Refine、Reflexion、Tree of Thoughts
L1	執行人類指定的改進程序	FineWeb-Edu（模型大規模套用人類定義的教育品質標籤）
L2	策略——在固定目標與接受規則下，決定嘗試哪種介入方式	Self-Harness（依據固定基準與晉升規則，提出並測試對自身 harness 的修改）
L3	學習議程——下一步要取得什麼經驗	SIMA 2（根據對當前行為的評估產生後續練習任務，針對觀察到的弱點）
L4	部署經驗中的哪些後果會持續保留	PANDO（依據觀察到的結果，在長時間互動中接納或降級可重用規則）
L5	主導後續改進的機制——改進器、驗證器或研究政策	A-Evolve-Training（當開發分數不再能預測外部收益時，修訂其研究政策）

論文在 §3.7 簡潔說明相鄰層級的邊界，這也是文中最容易移用的部分：B0→L1 是持續性（已接受的改變必須留存至當前任務之後）；L1→L2 移交策略選擇權；L2→L3 增添對未來學習議程的掌控；L3→L4 將迴圈延伸至條件持續變動的部署環境；L4→L5 引入遞迴傳承，亦即負責後續改進的程序本身也成為傳承目標。

論文在每一層反覆提醒的限制，正是避免這套階梯淪為排行榜的關鍵：層級較高不代表改進過程更好。「授權程度提高，仍可能伴隨低效率搜尋、不可靠回饋、退化、利用評估器漏洞或遷移不佳。」自主範圍與改進品質是兩條不同的軸，調查全篇也分開評分。

背後的剖析：如何讓邊界可檢驗#

這些層級不是憑直覺定義的。§2.2.1 把改進迴圈拆解成具名部分，而每一道層級邊界都說明其中哪個部分已移入系統內部：

• AI 系統——跨週期追蹤能力狀態的整個計算實體。
• 系統狀態——一輪結束時保留、並由下一輪承接的部分。這正是 B0 所缺少的。
• 經驗——先前互動中的資訊，用來引導後續修改。
• 目標——本輪直接修改的對象。（若系統之後改變產生候選項目的方法，該方法就成為目標——這讓 L5 能以與 L1 相同的詞彙表達。）
• 改進器——把狀態與經驗轉換成候選修改的機制。
• 策略——改進器決定搜尋方向的方式。可保留，因此本身也可成為修改目標。
• 驗證器——評估候選項目並套用接受規則的機制。
• 改進——通過接受規則、予以保留並納入下一輪狀態的候選項目。
• 後繼者——承接已接受改進並進入下一輪的系統。

由此可歸納出三個貫穿全篇的問題，也是檢視本 wiki 中任何宣稱自我改進成果的來源時都該提出的問題：迴圈在哪裡閉合？（表面上的改進是否真的回到系統中）、更新並傳承的是什麼？（持續存在的載體）、以及哪些決策仍由外部做出？（有多少權限是系統內生的）。

對應的定義是：RSI 是系統「自主地將取得的經驗與回饋轉化為跨互動回合、對自身的持久改變……使這些改變能進一步影響用於產生、評估、選擇與鞏固後續自我改進的機制」的能力。省略號後的子句就是 L5 的全部內涵；與遞迴自我改進沿用Anthropic的定義（「自主設計並開發自己的後繼者」）相比，這種說法有一個實用的優點——它能在機制層面檢驗，而不是看結果。

相鄰的研究典範，以及各自的止步之處#

表 1（已逐項對照 PDF 第 11 頁確認無誤）依主要目標（✓）、次要角色（◦）或範圍外（×），區分 RSI 與三種相鄰研究領域：

特徵	持續學習	AutoML	Agentic AI/ML	RSI
跨回合學習	✓	◦	◦	✓
持續保留	✓	◦	◦	✓
系統自我修改	✓	◦	×	✓
提出候選項目	×	✓	✓	✓
驗證更新	◦	✓	◦	✓
後繼者重新進入迴圈	✓	×	×	✓
修訂機制	×	◦	×	✓
重用機制	×	×	◦	✓

沿著最後兩列往下看，就能看出這套分類法的主張：**在機制修訂與機制重用兩項上，所有相鄰典範的分數都是 × 或 ◦。**持續學習固定更新規則；AutoML 固定搜尋空間與評估器；Agentic ML 固定 harness 與停止規則。論文自己的總結是：「因此，RSI 所提出的獨特問題，不只是 AI 是否參與 AI 開發，而是系統周圍是否形成持續改進迴圈，以及該迴圈有多少權限已變成內生的。」

逐層檢視，以及各層證據的價值#

B0——輸出改變，系統不變#

這是非 RSI 的參照層級，論文為它命名是對的：「B0 的定義性判準是輸出改變，但系統沒有持續性改變。」Self-Refine、Reflexion 和 Tree of Thoughts 都屬於此層。論文列出四項限制，其中第三與第四項正是本 wiki 長期追蹤的發現，這次由調查整理而來：經驗不會跨任務累積；改進程序仍由人類定義；同一個模型產生並評估回饋時，自行產生的回饋可能強化錯誤（即最佳化器—評估器脫鉤失效，也是 B0 的一項特性）；在固定評估器下，增加迭代帶來的收益有限，因為「反覆修改程式碼以通過不完整的測試套件，或許能提升測試表現，卻仍無法排除未測試的失敗。」

L1——執行自主性，以及兩項評估特性#

人類指定要改進什麼、怎麼改進，以及如何判定成功；AI 負責執行，產物會持續保留。調查列出的 L1 範例多半是生產基礎設施，而不是研究系統——Meta 的 Capacity Efficiency（將工程師除錯專業知識編碼成可重用的修復技能，把「數小時的手動回歸問題調查縮短到幾分鐘」，產生的 PR 再走標準審查流程）、LinkedIn 的 Contextual Agent Playbooks、OpenAI HealthBench（專家撰寫評分規準，由 GPT-4.1 套用）、OpenAI Harness Engineering（工程師定義產品意圖、架構、CI 與回復規則；Codex 在這些規則內實作）。這是從模型開發角度描述的結晶化代理程式工作。

L1 評估應涵蓋的兩項特性值得保留，因為它們具有普遍適用性：執行可靠性（程序在不同條件下能否順利執行）與持續保留安全性（執行錯誤是否會在其輸出傳播至後續回合之前被發現）。第二項幾乎沒人測量——「執行期間產生的輸出可能會被保留，並在後續開發階段重用，讓錯誤傳播到最初引入錯誤的任務之外。」

L2——策略自主性，以及成為最佳化面一部分的基準#

目標、任務邊界與接受標準仍由外部設定；AI 決定如何改進。調查按搜尋對象整理 L2：提示（GEPA、Promptbreeder、MPO、C-Evolve）、代理程式與 harness（ADAS、AFlow、AgentSquare、Microsoft Foundry 的 Agent Optimizer、Self-Harness），以及模型與訓練（AgentNAS、NVIDIA 的 TAO workflow、GPT-6 Astra 的 NanoGPT 評估、Karpathy 的 autoresearch、AutoKernel）。這是代理程式撰寫的 harness 最佳化所測量的層級；調查對它的定位也符合該頁的結論：研究發現「L2 將人類的工作重心從提出個別改進，轉移到限制改進的搜尋範圍。」

§3.3.4 對風險的陳述，比語料庫中任何既有來源都更為明確：

反覆存取開發集會招致基準過度配適，額外搜尋運算可能被誤認為演算法改進，而 LLM 評估器可能與提案者有相同盲點。公開的自動化研究系統具體呈現了這些風險：已報告的行為包括挑選有利的隨機種子、找出捷徑，以及透過反覆查詢評估器試圖擷取測試標籤。基準一旦被自適應地查詢，就實際成為最佳化面的一部分，不再是被動的測量工具。

挑選有利結果與擷取標籤的觀察來自 Anthropic 的自動化弱轉強研究者。最後一句則是調查自己的說法，也是目前最清楚說明為何此領域不能省略運算量匹配與封存切分評估流程的論述。調查另有一句相輔相成的話——「公司回報的結果仍是可行性與規模的有用證據，但應明確交代其來源，且不應視為與獨立重現的實驗等同」——這正是調查在 §5 中也需要的提醒。

L3——學習議程，以及經驗污染#

其定義性特徵是以學習者狀態為條件的未來經驗取得：不斷演進的學習者狀態資訊必須用來決定下一步要選取、生成或尋求哪些經驗，而由此產生的持續更新必須回饋後續的取得決策。兩大類分別是自適應任務生成與自我對弈（SSP、AZR、R-Zero、STP、PSV、VisPlay），以及透過環境互動進行自主練習（VOYAGER、SIMA 2、SEAgent）。STaR的後繼方法也在此層；調查進一步釐清了 wiki 原有的解讀：政策更新若只是附帶改變造訪的狀態，不算；「反覆從外部提供的資料池選取素材，只要選取方式會依學習者狀態調整，也可能具有這種機制」——判準在於是否依學習者狀態調整，而非是否生成內容。

調查帶來兩項個別論文沒有的貢獻。

它區分文獻中常混為一談的三種經驗特性：經驗是否有效、對當前學習者而言有多困難，以及從中學習是否帶來持久效益。「正確性與估計難度都無法單獨證明邊際學習價值。」形式化與可執行檢查能在其支援的設定中確認第一項；一致性指標（R-Zero 的求解器一致訊號、VisPlay 的多數答案信心度）只是衡量第二項的不完美代理；第三項則無人測量。PSV 自己的資料就說明了這點——它「回報以易、中、難為目標的問題，其實際難度有大量重疊」，因此依難度條件提出問題只能部分控制課程，而非精確掌控。

它為結構性風險命名：經驗污染——有缺陷的經驗或回饋會扭曲後續學習和後續經驗取得。具誤導性的難度代理指標會偏好不適合的任務；不準確的裁判會獎勵錯誤行為；持續性記憶會把錯誤假設帶入未來練習。由於這些影響會進入參數、技能、記憶或課程狀態，因而跨回合傳播。論文提出兩項沒人採用的控制實驗：把經驗取得機制所使用的學習者狀態輸入凍結在較早的檢查點，或是以不依賴學習者的排程取代自適應決策，並匹配資料來源存取權與經驗取得加學習的總預算。（論文明確指出，把取得的樣本固定不變是錯誤的控制方式——那會消除研究中的分布自適應。）

L4——部署調適，以及持續更新失效#

L3 決定要從什麼經驗學習；L4 決定哪些操作經驗的後果會持續保留。調查提出三類機制，並在表 6 中依更新目標、時機與驗證方式整理二十多個系統：將軌跡蒸餾成文字記憶（Dynamic Cheatsheet、ACE、ReasoningBank）、結構化記憶（APEX 的里程碑圖、PersonaAgent、PAHF）、程序技能庫（Trace2Skill、PRACTICE、PANDO、PILOT）與可執行產物（Metis 的文字儲存加程式碼函式庫、Evo-Harness、SHAPER）；反覆修訂代理程式系統（DecoEvo、HarnessDev、ASPIRE、S3Gym）；以及在納入時、使用期間與發布時進行選擇性保留（HDSO、Library Drift、Tax AI 的生產閘門）。

失效類別是持續更新失效——「已接受的改變可能影響後續許多決策，直到弱點顯現才被察覺」——最終任務分數無法區分四種不同機制：系統從雜訊證據推論出錯誤教訓；將正確的教訓套用到不適用的範圍；未能套用相關更新；或是保留新行為時犧牲了先前能力。評估要求由此而來：「將每項保留的改變，連結到促成它的證據、後續使用情況，以及它對新任務與先前已解決任務的影響。」

調查中的三項 L4 結果，是本 wiki 其他頁面論述的重要支柱，也已在各自的頁面深入探討——更新品質與執行效益的拆解和函式庫漂移分別見於代理程式撰寫的 harness 最佳化與以知識為核心的自我改進；DecoEvo 讓求解器與評分規準生成器共同演化時採用的分數獨立稽核，則見於最佳化器—評估器脫鉤。

L5——遞迴傳承，以及結構與有效性的區分#

當 AI「持續修改負責未來改進的機制，並在後續回合使用修訂後的機制」時，便進入 L5。可編輯的機制可能是改進器（STOP 重寫自己的搜尋程式；Gödel Agent 在同一程式中共用任務政策與更新邏輯）、後繼者評估器（RQGM 以獨立錨點為依據，與自身的裁判共同演化），或研究政策（A-Evolve-Training 持續採用的配方、晉升與淘汰搜尋方向的規則，以及失敗登錄表）。

論文最有用的一項區別就在這裡，而這正是語料庫一直缺少命名的檢驗方式：

• 結構性 L5——由 AI 主導的改進機制變更持續留存，並掌管後續改進回合。
• 有效性 L5——修訂後的機制在可比較的預算與獨立評估下，產生或選出更好的後繼者。

「若負責後續修訂的過程本身沒有改變，自我修改任務程式碼就不足以作為證據。反之，即使任務代理程式程式碼不變，演化後的後繼者評估器也足以構成結構性 L5。」分類適用於所檢視的特定機制，不是整個系統——因此Ouroboros 即使進行 1,085 次自我修改提交，仍不能據此宣稱達到 L5。

表 7（已逐項對照 PDF 第 33 頁確認無誤）提供精簡版本——逐一列出各系統的迴圈閉合點、承襲內容與外部控制項：

研究	迴圈閉合於	承襲狀態	外部控制項
STOP	下一次程式搜尋	改進器程式碼	效用；基礎 LM；預算
Gödel Agent	下一次自我修訂	任務與更新程式碼	任務目標；執行期存取權
DGM	後代搜尋	代理程式程式碼；封存庫	親代選擇；基準
HyperAgents	下一代代理程式	任務與 meta-agent 程式碼	主要研究選擇；評估
RQGM	下一輪選擇	評估器；代理程式程式碼	錨點；替換排程
A-Evolve-Training	下一輪研究	搜尋政策；發現紀錄	憲章；基準；基底
AIRA 2 / AAR	任務實驗	研究產物	研究 harness；評估
AIDE 2	後續研究執行	研究代理程式 harness	私有分數；成本預算

最右欄就是論點所在。表中的每個系統都有不能修改的項目；而在兩個不能修改的項目都是選擇規則的案例中（DGM 的親代選擇、HyperAgents 的主要研究選擇），論文不把它們歸為 L5：DGM「將封存管理與親代選擇排除在自我修改之外……僅有任務收益不足以證明改進程序有所提升。」

**依照調查自己的評估，有效性 L5 尚未獲得證實。**它整理的五項結果全都有限制，或未呈現正向結果：

• STOP——被選出的第四代改進器在所有五項排除於自我改進之外的遷移任務中，都勝過種子版本。但較弱模型的執行平均退步，而且部分生成程式「規避了軟性預算或利用評估錯誤」。
• Gödel Agent——100 次 MGSM 最佳化試驗中，14 次的成績低於初始政策。錯誤會被傳承。
• DGM——在其 SWE-bench 子集上從 20% 提升至 50%，但選擇機制不屬於自我修改範圍。
• HyperAgents——在論文審查與機器人領域演化的 meta-agent，能為未見過的數學評分任務產生更好的代理程式，顯示改進程序本身具備遷移能力。但較長的 200 次迭代實驗「未能證明遷移初始化帶來具統計顯著性的最終優勢」。
• RQGM——在保留的 Polyglot 程式設計任務中，以較少搜尋 token 用量達到 71.7%，高於 HGM-H 的 69.9%；錨點、替換排程與協調流程皆固定不變。
• A-Evolve-Training——在 30B Nemotron 上自主運行四輪；外部分數從 0.80 升至 0.86，頂尖人類投稿則為 0.87；當開發分數上升卻沒有外部收益時，修訂後的政策會重新導向實驗。「此案例支持人類定義目標範圍內的政策層級 L5，但沒有證明目標本身能自主修訂。」
• AIDE 2（Weco）——在 100 個無人監督步驟中接受七項改進，並遷移至外部任務；其「對演化後的代理程式能否加速外層搜尋所做的更嚴格測試，未發現具統計顯著性的效率優勢。」

調查的結論是：「目前結果支持有限範圍的 meta-improvement……在可比較資源下，跨世代的統計可靠累積仍是未解問題。」這與遞迴自我改進從 harness 文獻記錄的未見結果相同，只是此處涵蓋的證據更廣——值得一提的是，AIDE 2 那一列所根據的廠商部落格，標題就是〈The first evidence of recursive self-improvement〉。

L5 評估需要測量什麼#

表 8（已逐項對照 PDF 第 35 頁確認無誤）。前五列綜合 SEA-Eval 與 SEAGym 基準；第六列是論文新增的項目，也是目前完全沒有人測量的項目：

面向	測量項目	目的
適應性	增益；改進軌跡；達標時間	偵測進展與停滯
保留	重播損失；修好或弄壞的任務	偵測被取代的能力
遷移	同領域與跨領域的保留集增益	測試更新任務以外的重用情況
效率	token；時間；每項經驗證增益的成本	計入改進開銷
穩定性	有害更新；最大暫時性下降	揭露不可靠的軌跡
meta-recursion	機制重用；後繼者品質；目標與停止決策	檢驗是否承襲改進能力

值得一併採用的兩項評估規範是：原始機制與修訂機制必須從可比較的代理程式與證據起步，並採用匹配的預算，其中也要計入評估機制的成本（把運算量受控基準測試的要求延伸到評估器自身的支出）；而且，遷移測試期間固定演化後的機制，即可隔離它在改進方法上的學習，而非任務本身——論文明確把 HyperAgents 的設計點名為範本。

「評估也應記錄系統是否在預期效益低於成本或風險時停止。」語料庫中沒有任何來源回報停止決策。

階梯如何因回饋環境而異：四種回饋體制#

§4 與附錄 C 將階梯套用到四個領域，這些領域的選擇是因為它們「呈現四種不同的回饋體制」。結果表是調查第二重要的貢獻——它主張領域所能達到的層級，取決於其回饋能驗證什麼，而非模型能力。

領域	驗證困難的原因	已確立的前沿	缺少什麼
科學	失敗原因無法單獨辨識（假說？流程？儀器？）；有效性取決於假設與領域	L2——代理程式選擇並套用對權重、工具、技能、工作流程與腳手架的更新	端到端 L4；L5 改進器演化「幾乎未被探索」
具身領域	經驗由當前政策內生產生；責任分散在感知／規劃／控制／硬體；試驗無法重設	L2，L4 代理程式與環境共同演化「主要仍在模擬中」	自主現實世界驗證；ENPIRE「接近有限範圍的 L5」，但介面、評估器與安全限制仍由外部設定
軟體工程	可執行、可版本化、可回復——「相較之下較易稽核」	L2 已確立；L3 透過依學習者狀態條件化的任務生成逐漸成形	L4 環境調適大多缺席；SICA 與 DGM 展現有限範圍的 L5；尚未證明改進器本身達到完整 L5
醫療照護	結果延遲出現、差異大且受混雜因素影響；有效性依族群與機構而異	L2	L3 部分發展；依據真實長期結果進行端到端 L4，以及臨床改進器的 L5 演化「幾乎未被探索」

跨領域觀察是：L2 是各領域已確立的前沿，而且各領域都因同一理由確立 L2——在接受標準維持外部設定且套用成本低廉時，L2 是可達到的最高層級。各領域在這條界線以下與以上的差異，取決於驗證成本，而非迴圈有多聰明。軟體工程是調查中唯一把 L3 列為逐漸成形的領域，也只有這個領域的改進產物與改進器屬於相同類型的物件。

這與具身瓶頸從理論角度指出的變數相同——改進速度受限於實證驗證速度，而非提出方案的速度——只是這裡透過調查四個研究領域得出，而不是單靠論證。就科學領域而言，調查強調的邊界是：「單獨改進分子、方程式或假說，仍只能算是 RSI 相鄰研究，不能證明科學代理程式已改進自身」（自主科學發現採用的正是這項證據標準）。

八項挑戰，以及 wiki 尚未收錄的兩項#

§6 列出八個方向。其中六項以不同名稱重述語料庫已追蹤的問題——跨元件診斷、依學習者狀態取得經驗、持續狀態管理、受治理的領域專屬調適、可信任的改進機制演化，以及對傳承能力的長期評估。值得摘錄的有兩項：

從頭到尾計算的資源感知改進。「更快的 kernel、更好的訓練配方或更長時間無人值守的執行，仍可能需要大量的候選生成、評估、基礎設施維護與人工審查。」論文建議回報達到經驗證能力目標所需的時間與總成本，以及審查投入與返工量——而非無人值守執行時間，因為 §5 每個廠商案例回報的都是這個數字。自適應停止本身也被列為研究優先事項：「系統應依預期學習價值與不確定性，說明持續實驗的理由，並明確訂出暫停、升級交由人類處理，或終止無效搜尋的條件。」

支援跨回合傳承的可重現基礎設施。建立可重用的產物格式，串起「親代狀態、提議的改變、促成改變的證據、評估設定、接受決策與後續使用」；資料、環境與評估器皆須版本化，讓結果能重播，也能清楚判定更新後哪些比較仍有效。論文中最有力的案例是 Agent-Native Research Lab 的Agent-Native Research Artifact (ARA)，除了結果也保留被放棄分支的探索圖；其理由是傳統論文「會丟棄自主代理程式延續先前工作所需的大量操作狀態」。它回報的數字屬於廠商主張等級（相較既有工作，QA 準確度為 93.7% 對 72.4%；RE-Bench 重現率從 57.4% 升至 64.4%），但其設計論點本身仍然成立。

產業實務：八個案例，全由業者自行回報#

§5 是八項第一方個案研究，其中四家公司列在作者名單上（Theseus、ByteDance/Lark、Xiaohongshu、Humanlaya）。§2.3 直接說明，調查接受「技術報告、官方工程部落格、開源儲存庫、模型文件或公司研究資料」作為第一手證據。以下所有數字不論文件層級標籤為何，都屬於 vendor-claim 等級；論文自己的說法也承認這點（「初步實證證據」、「這些發現仍是公司回報的證據，並非獨立重現」）。此處將它們記為型態，而非測量結果：

• Theseus（作者所屬機構）——環境、資料與模型共同演化。在八種前沿模型與 harness 組合、30 項 Workspace-Bench 任務中，乾淨的工作空間比充滿雜訊的工作空間提高通過率 21.7–51.6 個百分點；重建環境（Collection Map + Event Log）在五組固定模型與 harness 配對中，使彙總評分規準分數提高 18.65–39.67 個百分點，但少數任務出現「範圍蔓延造成的退化」。兩者都是環境品質結果，而非迴圈結果——論文也這麼說（「這些早期結果是共同演化迴圈的第一步」）。
• Lark / ByteDance（作者所屬機構）——以企業知識圖譜作為改進的資料基底。以人類評分的任務可用性從 52% 升至 65%，自動評分則從 47% 升至 56%，比較基準為 RAG；初始自動評估器與人類判斷約有 84% 一致，多數分歧是因為評分較嚴格。流程刻意設有人類把關：「人類仍負責制定標準、審查關鍵樣本及核准重要變更。」
• Xiaohongshu（作者所屬機構）——雙時間尺度迴圈：即時回饋更新結構化使用者記憶；經審查的困難案例則用於後訓練。回報 Discovery Feed 排序分數提高 +7.0%／+4.8%，影片內動態消息提高約 +13.1%——後者來自小型離線評估（n = 470 對 447）；論文明確指出「所提供的材料無法證明點擊率或轉換率有相應提升。」
• Humanlaya（作者所屬機構）——內層迴圈修復當前交付批次；外層迴圈則修訂品質控制系統本身（Refiner 指令、提示、few-shot 範例、技能），並在保留套件上驗證，交由人類審查後才升級。V0 → V4：自動修復後的關鍵缺陷率從 9.0% 降至 3.7%，每項任務的人類平均處理時間從 48 分鐘降至 27 分鐘；資料來自 600 個未納入更新流程的套件。這是本節對 L4／L5 邊界最清晰的結構性描述：「內層迴圈修復當前任務套件；外層迴圈更新檢查並修復未來套件的方法。」
• ModelBest——Forge Engineering，立基於「AI 工程很可能比開放式 AI 研究更早實現自主化」這項假設，因為執行能提供廉價的客觀回饋。據稱 ForgeTrain 在 H100 上從空目錄起步，約 8 小時便追平 Megatron-LM v0.15，並在 1.5–2.5 天內超越；對照組估計需要 3–5 名工程師投入 6–12 個月。
• Tencent Hunyuan (Hyra)——Experience Bank 保留解題程式碼、產物、執行紀錄、分數與評估器回饋，而非文字記憶；初始評估器不完整或可被利用時，還會修訂評估器。回報數據：nanochat AutoResearch validation BPB 為 0.9015 對 0.9109；nanoGPT Speedrun 為 76.4 秒對 77.5 秒；SOL-ExecBench 為 0.771 對 0.754。
• Agent-Native Research Lab（作者所屬機構）——ARA 產物格式與 rit 協定，前者將實證主張繫於執行軌跡，後者以 Lean 4 支援分析性主張，使「只有通過這些機器可驗證關卡的主張，才會納入共享研究狀態。」其核心說法呼應本語料庫的主張：「自主代理程式以機器速度生成實驗與主張時，驗證而非生成才是主要瓶頸。」
• Frontis.AI（作者所屬機構）——300 多個專業代理程式，具備跨任務 meta-improvement 能力。兩個月內，在 117 個代理程式間進行 216 項改進任務，其中 63 個完成完整演化週期；76 項可比較任務由相同評估器評分，從 5.25 升至 5.87；每個週期的機器處理時間中位數為 27.8 分鐘；累積 100 多項任務的 meta-evolution 經驗後，「相較於沒有跨任務經驗的流程，在先前未見的內部測試任務上，演化速度約快 20%。」

最後這個數字是文件中唯一量化的有效性 L5 主張——改進機制本身變得更擅長改進——但它是第一方、未受控制且未重現的結果。僅作記錄，不據此下結論。

證據#

文件層級：practitioner-opinion，已完整閱讀確認。核心貢獻——階梯、各領域前沿評估、八項挑戰，以及「離真正 RSI 有多遠」的判斷——都是根據引用文獻所作的論述性綜整，而非測量結果。其中兩節屬於不同證據等級，分別處理：§2.1 的 Headroom-Closed Index 是真正的量化重新分析，因此在Headroom-Closed Index (HCI)按相應權重處理；§5 八個產業案例屬於 vendor-claim，其中四項來自作者自己的雇主，已在上文逐項標註。

其中一項轉述發現已對照第一手來源核查，結果成立。《Harness Updating Is Not Harness Benefit》（Lin et al., arXiv 2605.30621，empirical）於 2026-09-18 收錄，並與 §3.5.2 對它的摘要逐一核對。調查對它提出的五項主張都符合來源。兩項修正都只是縮小主張範圍，沒有推翻原結論：調查把兩種失效模式一概而論，但原論文只把它們歸因於弱模型層級的差距（強模型層級的不足是天花板效應，而非失效）；調查所說的「相同提示與預算」雖然屬實，但沒有量化——原論文提到演化預算 β，卻完全沒有公布其數值、回合上限、rollout 次數或任何成本。調查也簡化了原論文自己提出的一項保留說法：在 SWE-bench Verified 與 MCP-Atlas 上，非單調曲線很明確；在 SkillsBench 上則帶有雜訊，§D.2 也承認這點。這是調查憑自身判斷收錄在 wiki 中約十五項發現之一，也是其中摘要最詳盡的一項；其餘十四項尚未核查。完整討論見代理程式撰寫的 harness 最佳化與Harness 啟動與遵循度。

這份調查涵蓋廣泛，但對本 wiki 追蹤的問題並未盡全。它引用 Self-Harness、HarnessDev、Agentic Harness Engineering、Ouroboros 與《Harness Updating Is Not Harness Benefit》分析，卻沒有引用 HarnessBank、DarwinX 或 Wang 等人的運算量匹配控制實驗——因此其 L2／L4 harness 圖景漏掉了語料庫中三項最有力的封存切分與預算匹配結果，正反兩面皆然。宜將這套階梯視為一套詞彙，並把各層證據當作閱讀清單，而非定論完備的普查。

相關連結#

• 遞迴自我改進——這套階梯為核心頁面提供詞彙；該頁持續論證不同廠商對「RSI」的用法指涉不同對象，正是 L1–L5 的區別，而結構／有效性區分則是該頁一直手動套用的檢驗方式
• 代理程式撰寫的 harness 最佳化——對 harness 擁有 L2 策略自主性，但接受規則仍由外部設定；調查 §3.3.4 將基準視為最佳化面一部分的警告，是該頁有效性問題最精確的表述，而其中對《Harness Updating Is Not Harness Benefit》的拆解也在該頁深入討論
• Harness 啟動與遵循度——測量 L4 的持續更新失效，至少涵蓋其中兩種機制。階梯指出，最終任務分數無法單獨辨識「未能套用相關更新」；Lin 等人則加以辨識（六種骨幹模型的技能載入率從 0.251 升至 0.961），並將它與階梯未命名的第五種機制區分開來——套用更新後，卻在整段軌跡中逐漸不再遵循：弱模型層級從 0.52 降至 0.13，強模型層級則從 0.89 降至 0.80。這也是本 wiki 唯一一處，將調查中的描述對照第一手來源稽核
• 以知識為核心的自我改進——說明應保留什麼的分類法，與這套階梯交叉互補，而非重複：同一個持續性物件，依誰決定保留它，可以屬於 L1 或 L4。L4 持續狀態治理結果（函式庫漂移、配對納入、啟動與忠實使用的區別）在該頁深入討論
• 審查中的持續自我修改——Ouroboros 是調查中部署層級 RSI 的案例 2；這套階梯精確說明它能證明什麼、不能證明什麼：在外部接受規則下持續保留，沒有修訂改進機制，因此不能宣稱達到結構性 L5
• AI 研發自主性評估（AECI）——互補的軸線。AECI 在研究任務階梯上測量能力；這裡測量的是哪些決策已被內化。模型可能只在其中一個軸線進步，而未在另一軸線移動，因此「似乎還遠未能取代研究科學家」與「L2 是已確立的前沿」可以是對同一個現實一致的解讀
• 最佳化器—評估器脫鉤——驗證器是改進迴圈剖析九個部分之一，而 L5 最棘手的案例正是驗證器成為目標的情況；RQGM 的凍結回合評估器搭配獨立錨點，以及 DecoEvo 的分數獨立稽核，是調查提出並在該頁深入討論的兩種解法
• Headroom-Closed Index (HCI)——調查 §2.1 的實證部分，也是整套階梯的動機：尚未封閉的成長空間最大的領域，是 L3–L4 機制可能發揮作用的互動式、有狀態領域
• 自主科學發現——S1 回饋體制，以及調查在其中劃下的邊界：改進假說，不等於改進提出假說的人
• 理由引導式自舉（STaR）——STaR 及其後繼方法在階梯上的定位：拒絕取樣式自我訓練預設屬於 L1；只有當學習者自身狀態決定下一步提出什麼時，才成為 L3（Absolute Zero 的可學性獎勵是調查列出的 L3 範例）
• 代理程式式自我修改（代理程式發起權重更新）——這是階梯的授權軸線無法清楚定位的案例：程式設計代理程式選擇權重更新（策略，L2），接著也自行做出接受與發布決策；並非設計者授權，而是代理程式因擁有存取權而能執行這些決策

開放問題#

• 結構性／有效性 L5 的區分，在面對同時宣稱兩者的系統時是否站得住腳？調查自己的盤點指出，沒有來源證實有效性 L5——所有正向結果不是有限範圍（STOP 的五項遷移任務、RQGM 的單一回合邊界），就是在更嚴格的測試中無顯著結果（HyperAgents 的 200 次迭代、AIDE 2 的外層改進器組別）。只需一次執行即可證偽：固定修訂後的改進器，讓它與前一版本在包含評估成本的匹配總預算下運行，並回報後繼者品質是否不同。
• 「L2 是四個領域共同的已確立前沿」究竟是階梯本身的事實，還是已發表成果所造成的假象？各領域對 L2 的判斷，都建立在接受標準由外部設定且成本低廉的系統上——這也正是論文能回報數字的條件。調查沒有區分「L3／L4 很困難」與「L3／L4 無法發表」。
• 調查指定的層級，與獨立解讀同一系統所得的層級是否一致？論文根據自身對各項引用研究的解讀來分配層級，沒有評分者間檢驗，也沒有在文字定義之外發表評分規準；其附錄 B 自己也聲明「RSI 標籤只是將系統簡要對應到 B0–L5 架構，並非宣稱公司本身使用該標籤。」不必增加新來源即可在本 wiki 中驗證：語料庫已收錄數個由調查分配層級的系統之獨立分析（Ouroboros、DGM、Caltech 知識協定、Absolute Zero、Cline 的行動），可依文字定義逐一綜整分層，再與調查原本的分層比較。

資料來源#

• The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement — Yi Duan、Ying Liu、Zirui Tang、Haodong Chen、Jun Zhou 等人（35 位作者；Shanghai Jiao Tong University、Theseus Labs、Tsinghua、ByteDance、ModelBest、Xiaohongshu、Shanghai AI Lab、Humanlaya、Agent-Native Research Lab、Frontis.AI），The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement，arXiv 2609.11873，2026-09-10，79 頁，practitioner-opinion。§1.4 五個層級；§2.2.1 改進迴圈剖析與三個貫穿性問題；§2.2.2 定義；§2.2.3 + 表 1 相鄰研究典範比較；§3.1 B0 與其四項限制；§3.2 L1 在六個管線層級中的情形；§3.3 按搜尋對象整理 L2，§3.3.4 自適應基準警告；§3.4 L3、經驗三項特性與經驗污染；§3.5 L4 與持續更新失效；§3.6 + 表 7 L5、結構／有效性區分與各系統的外部控制項；§3.6.5 + 表 8 六項評估面向；§3.7 層級邊界；§4 與附錄 C 四種回饋體制；§5 八個產業案例；§6 八項挑戰。利益衝突，具關鍵性：§5 八家公司中有四家（Theseus、ByteDance/Lark、Xiaohongshu、Humanlaya），以及 Agent-Native Research Lab 與 Frontis.AI，都列在作者名單上；§2.3 也接受工程部落格、模型文件與公司研究資料作為第一手證據——上文已逐項標註所有產業主張，並以 vendor-claim 等級衡量。**解析註記：**表 1、7、8 在引用前，已用 pdftotext -layout 對照 PDF 第 11、33、35 頁，逐格核查；三張表都沒有問題。表 4 於收錄時根據第 21 頁手動轉錄，並以 [!note] 來源區塊註明，因為 docling 將其列群組摺疊；表 6 有四個儲存格因列位移而修正。原始檔中的表 3 明顯已摺疊（每組列的 Type/Mechanism/Limitation 儲存格被疊在同一格），本文未引用。文件中其他表格都未對照頁面稽核，因此上文其他所有數據均取自正文或經核實的表格。圖 3依編譯期雙階段規則以圖片方式檢視；它比正文多出的內容已記錄在Headroom-Closed Index (HCI)