2026 年 10 月 13 日——研究团队于 10 月 9 日在 arXiv 发布论文（编号 2610.13912），提出跨领域递归自我改进框架 RSI-Anything：以世界模型预测引导动作选择与学习数据筛选，用同一套流程覆盖代码修复、GUI 交互、实验室规划、化学反应优化与免疫科学五类任务。项目代码以 Apache-2.0 协议开源，五类任务资源同步上线 Hugging Face；实验数据显示，代码修复隐藏测试通过率从 26.3% 提升至 31.2%，实验室规划得分从 21.80% 翻倍至 46.01%，化学反应优化平均最优实测产率达 96.15%。

递归自我改进的两大瓶颈

据论文定义，递归自我改进（Recursive Self-Improvement，RSI）指系统将交互经验转化为持续性改进的能力。论文指出该方向当前面临两大瓶颈：一是外部反馈获取成本高；二是随着策略不断演化，世界模型的预测可能逐渐失真，导致以预测为依据的决策不可靠。

RSI-Anything 建立在同团队 9 月发布的跨领域预测建模框架 JEPA-Anything（arXiv:2609.20800）之上。JEPA-Anything 基于联合嵌入预测架构（JEPA）与正交预测因子分解（OPF）方法构建世界模型，为上层任务提供后果预测能力。

统一循环：提出候选、预测后果、选择行动、评价反馈、学习并保留

据官方仓库介绍，RSI-Anything 将自我改进组织为一个统一循环：策略或工作流提出动作候选，世界模型预测各候选的后果，系统依据预测选择行动并执行，所选行动获得外部反馈；观测反馈随后驱动策略或工作流改进，并对世界模型做条件化适配；更新后的「策略-模型」对须通过组件与兼容性检查才会被保留，用于指导下一轮交互。

五个领域共用这一循环，各自通过领域适配器提供状态、动作空间、预测目标与反馈来源。在代码修复域，框架使用 ReasonFlux-Coder-7B 作为策略模型、Qwen2.5-Coder 作为骨干，每轮提出 4 个修改候选、最多进行 3 轮反馈修复；论文强调对比实验中代码模型保持固定，提升全部来自选择与学习机制。

五类任务实验数据

论文与官方仓库给出的主要结果如下：

领域 评测设置 结果
代码修复 CodeContests 200 题，三个种子 隐藏测试通过率：静态验证器 26.3%、预测选择 29.2%、世界模型适配后 31.2%，测试用量相当
代码修复 APPS Introductory 1,000 题 三个种子平均完整测试通过率 46.37%
代码修复 LiveCodeBench v6 1,055 题 三个种子平均完整测试通过率 33.05%
GUI 交互 MiniWoB++ click-checkboxes 100 题 三个保留版本完成任务数 51、79、99；平均动作数从 5.30 降至 3.21；重复点击从 237 次降至 0 次
GUI 交互 OSWorld 桌面任务 相对初始 Agent 成功率相对提升 18.4%，相对 RLAnything 再提升 5.5%（RLAnything 相对初始 Agent 提升 12.3%）
实验室规划 LabHorizon F200 Level 2 五个策略版本得分从 21.80% 升至 46.01%
反应优化 Suzuki-Miyaura 反应筛选，每次 40 次实验预算 100 次运行平均最优实测产率 96.15%，贝叶斯优化对照为 82.16%；全部运行在第 10 次观测内找到候选池最优条件
免疫科学 端到端科学应用 前瞻性提名「SIRPα 抑制联合 IL-36γ 轴调节」候选干预方案，供后续实验检验

开源信息

项目代码托管于 GitHub 的 Gen-Verse 组织（仓库 Gen-Verse/RSI-Anything），2026 年 10 月 8 日创建，截至 10 月 13 日获得 567 个星标、50 个派生；项目自有代码采用 Apache-2.0 许可证，要求 Python 3.10 及以上版本，提供 rsi tasks、rsi plan、rsi run、rsi report 等统一命令行入口。论文署名作者共十一人，包括 Taoyong Cui、Wanli Ouyang、Pheng Ann Heng、Zhenfei Yin、Ling Yang 等，提交作者为 Ling Yang。五类任务资源按领域目录发布在 Hugging Face 数据集 Gen-Verse/RSI-Anything 下。

本文数据均来自论文摘要与官方仓库自述，属团队自测口径；GUI 任务 99% 完成率对应 MiniWoB++ 特定子任务 click-checkboxes；免疫科学结果为前瞻性候选方案提名，尚未经过实验检验。