CosmosMind联合多所高校发布MetaRSI-v1：为大模型自我改进建立统一架构

9月9日，CosmosMind联合斯坦福、伯克利、MIT、清华、北大等高校研究者发布技术报告MetaRSI-v1，提出全球首个统一Model-RSI、Data-RSI、Harness-RSI的元递归自我改进架构。该架构首次将递归自我改进作用于RSI自身，让“改进AI的方式”也能自我进化。

递归自我改进（RSI）旨在让模型自己生成训练数据、改写提示词、修复代码。以往STaR、Self-Refine等系统均采用固定改进程序，模型虽能变强，但改进方法本身不变。MetaRSI-v1通过Loop Kernel将Data、Harness、Model统一为同一内核的不同实例化算子，并引入横向编排与纵向优化两条策略，形成覆盖算子、编排策略与元层的三层嵌套。

实验显示，在没有外部教师模型参与的情况下，MetaRSI-v1使一个30亿激活参数的小模型在Terminal-Bench 2.1、SWE-bench Pro、GPQA-Diamond高难度子集、AIME四项基准上平均提升10.9分；同时让GPT-5.6、Claude Opus 5等六款旗舰模型平均提升7.3分。团队还提炼出五条定律，并同步开源了RSI-Harness，希望为不同科学领域沉淀可移植的Harness Genome。