Представлен RSI-Anything: рекурсивное самоулучшение на моделях мира

В статье на Hugging Face Papers представлен RSI-Anything, предметно-независимый (domain-general) фреймворк рекурсивного самоулучшения, построенный на JEPA-Anything. Рекурсивное самоулучшение (RSI) авторы определяют как превращение опыта взаимодействия в устойчивые улучшения. Проблема, из которой они исходят: внешняя обратная связь дорога, а предсказания модели мира могут стать ненадёжными по мере того, как меняется политика (стратегия действий агента).

Идея метода в том, что предсказательные модели мира направляют выбор действий и выбор данных для обучения. Наблюдаемая обратная связь запускает улучшение политики или рабочего процесса и условную адаптацию самой модели мира, а проверки компонентов и совместимости решают, оставлять ли обновлённые пары «политика, модель».

Результаты авторы приводят по нескольким областям. В исправлении кода при зафиксированном кодере доля успехов растёт с 26,3% при статическом верификаторе до 29,2% при предсказательном отборе и до 31,2% после адаптации модели мира, при сопоставимом числе тестовых запусков. В оценках на задачах с графическим интерфейсом (GUI) выросло завершение задач (числа в аннотации нет), а среднее число действий сократилось на 39,4%. В планировании лабораторных работ за пять последовательных версий политики результат вырос более чем вдвое, с 21,80% до 46,01%. В оптимизации реакций при бюджете в 40 экспериментов RSI-Anything достигает среднего лучшего наблюдаемого выхода 96,15% против 82,16% у байесовской оптимизации.

Отдельно упомянуто сквозное приложение в иммунологии: оно связывает эволюцию рабочих процессов и предсказательное моделирование с генерацией терапевтических гипотез. Числового результата для него аннотация не даёт. Итоговый вывод авторов: предсказательные модели мира и сохраняемые обновления системы позволяют улучшаться рекурсивно в разнородных средах.

Ключевые факты

RSI-Anything, предметно-независимый фреймворк на базе JEPA-Anything: предсказательные модели мира направляют выбор действий и обучающих данных при рекурсивном самоулучшении.
Исправление кода при фиксированном кодере: 26,3% со статическим верификатором, 29,2% при предсказательном отборе, 31,2% после адаптации модели мира, при сопоставимом числе тестов.
Задачи с графическим интерфейсом: среднее число действий сократилось на 39,4%, завершение задач выросло (число не приведено).
Планирование лабораторных работ: за пять версий политики результат вырос с 21,80% до 46,01%.
Оптимизация реакций при бюджете 40 экспериментов: средний лучший выход 96,15% против 82,16% у байесовской оптимизации.

Почему это важно

Рекурсивное самоулучшение, попытка заставить систему становиться лучше за счёт собственного опыта, а не только за счёт ручной доработки. Узкое место, которое называют авторы, стоимость внешней обратной связи и ненадёжность предсказаний модели мира по мере изменения политики. RSI-Anything предлагает один каркас для разных областей: от исправления кода до лабораторного планирования и подбора условий реакции. Заявленные цифры в разных доменах приведены в аннотации, поэтому работа интересна как попытка показать общий подход, а не точечное решение одной задачи.

Кому это важно

Исследователям агентных систем и самообучающихся методов, а также тем, кто работает с моделями мира и JEPA-подобными подходами. Прикладной интерес, у команд, которые автоматизируют исправление кода, работу с графическими интерфейсами, планирование экспериментов и оптимизацию химических реакций, где каждая проверка стоит дорого.

Как это применить

Готовой инструкции или набора инструментов в аннотации нет, поэтому речь о схеме, а не о продукте. Логика цикла такова: предсказательная модель отбирает действия и обучающие данные до дорогой внешней проверки; наблюдаемая обратная связь улучшает политику или рабочий процесс и при необходимости дообучает модель мира; обновление сохраняется только после проверок компонентов и совместимости. Эту схему можно рассматривать как ориентир при проектировании собственных циклов самоулучшения там, где реальная обратная связь дорога.

Можно ли доверять

Источник, аннотация статьи на Hugging Face Papers, полного текста в распоряжении нет. В аннотации не названы ни конкретная модель-кодер, ни бенчмарки для GUI-задач и лабораторного планирования, не уточнено, на каком наборе измерены 26,3%, 29,2% и 31,2%. Не сказано, проходила ли работа рецензирование и воспроизводили ли результаты независимо. Все цифры, заявления самих авторов, подтверждения со стороны в тексте нет.

Риски и подводные камни

Часть выигрышей скромна: в исправлении кода прирост составляет 2,9 п.п. от предсказательного отбора и 4,9 п.п. после адаптации модели мира. Для GUI-задач рост завершения задач не измерен числом, а 39,4% относится к среднему числу действий. Результат по лабораторному планированию получен на пяти последовательных версиях политики в одной области, а по оптимизации реакций, при фиксированном бюджете в 40 экспериментов; из аннотации не следует неограниченное автономное самоулучшение. Иммунологическое приложение не сопровождается числовым результатом и проверенной терапевтической гипотезой. Сами авторы называют риск: предсказания модели мира могут стать ненадёжными по мере изменения политики.