搜索
Mirendil宣布由1名研究员借助AI智能体训练出100B–500B参数编程基座模型Mirendil-Base，Recursive发布40B模型Flint及Eureka Machine，英伟达研究员Ali Hatamizadeh提出RSI时代研究者应强化判断力与基础能力的四大生存法则。
田渊栋参与创立的Recursive_SI发布首个模型Flint-40B-A2B，该模型由Eureka Machine全程参与、不到4个月从零打造，专注本地硬件智能体编程，并以400亿总参数、每Token激活25亿参数实现高速运行。
从通用模型到个性化智能，人工智能的竞争正在向长期学习与专属能力沉淀延伸。
AI 确实在帮 AI 变强，但收益正逐轮递减。当前 AI 自我改进回路的实际强度，仅为触发“智能爆炸”所需理论阈值的 10% 到 20%；若要实现自我维持式的加速进化，这条回路必须再增强 5 到 10 倍。而在巨额过程损耗面前，眼下的系统连维持匀速进步都已十分吃力。
RSI（Recursive Self-Improvement，递归自我改进）最近成为了行业内关注的新热点。 简单说来，模型参与训练和提升模型自己，在业界已经开始成为一种惯例。Anthropic 在六月
Mind Lab（马卡龙）正式发布面向企业的模型后训练与推理平台 Mint Recursive，将其从 Macaron V1.1 训练实践中沉淀的 MinT 底层系统、自动化训练与迭代管线以托管服务形式开放给企业，支持 GLM、Qwen、DeepSeek、Kimi、MiniMax 等开源基座及监督微调、强化学习、全参数训练和 LoRA。
今年以来，RSI（Recursive Self-Improvement，递归自我改进）逐渐从硅谷前沿话题，演变为全球共识。
要论造词和包装概念，AI 圈要是自认第二，恐怕就没人敢称第一。
让模型自己生成训练数据、自己改写提示词、自己修复代码，这条路线被称为： 递归自我改进（Recursive Self-Improvement，RSI）。
第一篇AI4AI综述论文将long horizon智能体、AI4AI与recursive self-improvement纳入同一研究地图，指出AI能在明确目标与评价规则下承担部分研发工作，但单项能力提升无法证明完整流程可靠，持续自我改进仍面临组合鸿沟等验证挑战。