13 篇文章
已有尝试让策略无须重做发现过程，就能检验不同的后续选择。Lasso 结果则说明，搜索调用减少与求解器运行变快需要分开解读。
Dream-RSI 回放已完成的发现树，在模型和评价器固定的条件下评估并改写探索策略代码。一棵小树展示了两个策略如何从相同信息出发，看到不同结果。Gemini-3.1-Pro 的 Lasso 对照报告了 317 次对 550 次发现调用，以及更低的求解器平均耗时；但论文指出，均值改善由 RCV1 驱动，其余五个留出数据集全部变慢。保留旧策略只保障同一固定历史池上的平均回放分不下降。
固定代码模型，四个候选，只执行一个：代码实验单独考察预测器适配。更完整的框架还要按条件更新组件，并决定保留哪一组策略与世界模型。
在相同代码模型和候选预算下，RSI-Anything 报告的隐藏测试全过率依次为：静态验证器 26.3%、固定世界模型 29.2%、适配世界模型 31.2%。只有执行过的补丁，才能为自身的预测提供观测目标。反馈可以跨行动步累积，更新验收周期也未必改变任何组件。五类应用考察不同的更新路径，同一任务内策略与世界模型能否持续相互改进，仍待联合多轮证据。
DeepMind 报告内核平均加速 23%、整体训练用时减少 1%。关键产物是一段代码，能在输入变化时选择矩阵分块尺寸。
AlphaEvolve 搜索的是可复用的矩阵分块规则，用真实 TPU 上的实际运行时间判断选择效果。收集到的输入形状一半用于优化，另一半用于评估最终规则。作者报告的生产收益，把模型生成的代码与模型训练基础设施连了起来；随后训练出的模型是否更会发现算法，所提供的案例尚未测量。
一组选定的人类走弯路时刻、另一组对照和 Agent 自行设计实验的项目，帮助分清提出下一步与选择研究目标。
Mythos Preview 的64%来自特意挑出的129个人类走弯路时刻。另一组127个人类决定本来就很好的时刻，模型建议被判更好的比例约为20%，未逐模型列出结果。在人类选定问题和评分标准的弱监督项目中，Agent 还自行设计了全部实验，弥合了所定义性能差距的97%；这一结果未顺利迁移到生产规模模型。这些证据说明研究建议与方法有所进展，尚未证明自主开发后继系统。
只要仍能编辑代码，分数下降的子版本也可能成为有用的父版本。DGM 的对照实验、评测口径和一次日志绕过，解释了这项贡献该怎样理解。
DGM v1 在冻结基础模型的条件下，演化编程 Agent 的工具和工作流程。候选档案保留仍有编辑能力的低分版本，两个对照支持了复用改进后的修改者、保留不同分支的作用。SWE-bench 和 Polyglot 的成绩需要连着各自评测口径读；附录 F 则展示了另一种高分来源：改变检测器能看到的证据。
EvoHarnessBench v3 把两种比较分开：跨队列看最终总体表现，沿旧队列看能力保留。图中的取格范围让区别清晰起来。
论文的部署基线在累计工具条件下获得了更高的总体通过率，同时出现负的旧队列后向迁移。两种结果采用不同基线：ACC 读取最终一行，BWT 配对旧队列的引入格与最终格。记忆对照与无记忆 AutoGen 的保留反例，则限定了这些结果能支持的结论。
从同一个系统出发，更新后的改进器增加 7.2 分，原改进器增加 4.9 分。理解这一步优势，需要分清修改位置、实验对照，以及生成新方法的成本。
MetaRSI 区分了运行系统的修改与提案、调度策略的修改。同一个 S1、相同下一轮预算下，更新后的改进器平均多取得 2.3 分；首轮组合对照和五轮累计差距回答的是另两个问题。累计领先得以保留，同时单轮收益递减；分叉结果本身尚不能证明计入元更新成本后的净收益优势。
早期测试没有支持原定的迁移主张。在更多模型上重复负结果、与竞争方法对照，回答的是不同问题；行为测量本身也留下了疑问。
Personas Agent 完成了大量研究工程，但实验不断改变论文能提出的主张。沿着迁移测试、跨模型重复和后来的竞争方法对照，可以看清为什么更多实验没有证明所提方法的研究贡献。案例也保留了一个有用的窄发现，以及向一般 AI 研究能力或 RSI 外推的边界。
固定源码的交接链解释了原因：主进程明确开启的设置没有传到工作进程，函数改名因而可能越过恢复步骤。
OpenEvolve 会提出输入程序的新版本，再交给评价器评测。它的改码边界功能本应保留标记外的文字，例如调用方依赖的函数名。但在保存下来的 v0.4.0 提交中，并行控制器传递配置时漏掉了这个开关，工作进程于是取默认值 False。一个合成示例展示了后果，也给出具体诊断：查看工作进程实际使用的设置，并确认评测收到的候选既保留原函数名，也保留允许的内部改动。
两条搜索路线改进同一个 Agent 的工作方式。筛选修改时分数更高的一条，换到其他基准后表现却较弱。理解这个差别，要看搜索留下了什么。
RRSI 修改固定模型周围的工作流程。通过一组 Harvey LAB 对照，可以把反复评分的反馈、最终留下的指令与文件检查，以及新任务上的表现连起来。两种方法都有迁移收益，但筛选修改时的分数，给不出跨基准表现的正确排名。
DMC-TeCh 在六项指标中的五项上超过基线，但作者报告，消融评判把主要收益归给了训练处理。这个决定有助于理解论文中的 AI 评审接受率。
DMC-TeCh 被拒绝的案例，把候选的性能改善与所提机制的证据分开了。ScientistTwo 的反馈流程可以返回实验与代码；稿件评分和产物检查，则评价输出的其他属性。
候选材料先经过参数适应后的问答检验；选出的文字，再用于训练同一个模型为后续适应生成材料。
SEAL 连接了两个学习目标：从原文衍生的文字中学习，以及学习怎样生成训练后有用的文字。候选材料分别经历参数适应和问答评价；选出的原文—材料配对，再用于训练生成策略。作者报告，推论提示的准确率从 39.7% 升至 47.0%，改写提示从 49.4% 升至 55.6%。一次合并 200 段原文的训练达到 43.8%，另一个连续更新测试则发现旧任务表现逐渐下降。这些结果支持在明确评价条件下更有效的适应，尚未证明知识可以无限可靠积累，也未建立开放式递归自我改进的结论。本文不提供独立复现实验结果。
从 AlphaEvolve 改出的矩阵乘法内核出发，比较 SEAL、DGM 与 MetaRSI：沿着实际更新对象、选择反馈和下一步实测结果追踪。
AlphaEvolve 报告内核速度提升 23%，Gemini 整体训练时间减少 1%。程序库也把程序送入后续提示，但部署收益没有测出下一轮提案能力的变化。对照 SEAL 学得的自编辑生成方法、DGM 演化的代码与档案，以及 MetaRSI 的同起点分叉，可以看清每次成功究竟把什么传给了下一轮。