一句话看懂：2026年10月18日，Hugging Face Papers 收录论文 CoEvo-RSI，提出让智能体的“身体”（执行框架）和“大脑”（模型）双向继承历史设计、协同进化，以缓解执行框架与模型能力脱节的问题。
事件核心：发生了什么
这篇论文研究的是递归自我改进（RSI）智能体中的“脑—身不匹配”：执行框架在迭代中不断变化，会要求模型具备尚未学会的行为，或限制模型已有的能力。CoEvo-RSI 通过共享进化档案和执行反馈，由一个元智能体统筹两件事：一是从历史设计中推进执行框架开发；二是选择或合并模型检查点，并在选定的执行框架下继续适配。
论文摘要称，该方法仅用自身拒绝采样轨迹做监督微调（SFT），就让 Qwen3.5-9B 在多智能体故障归因、角色感知 Text-to-SQL、智能家居指令遵循等垂直任务上接近更大模型。摘要给出的对比结果是：在 TraceElephant 上比 DeepSeek-V4-Pro 的智能体准确率高 14.16，在 HomeBench VM 上比 GLM-5.3 的成功率高 4.90。上述结果来自论文摘要，尚未核验全文实验设置，不宜视为长期排名。
为什么重要
当前多数智能体系统把模型升级和执行框架调整分开处理，容易出现“换了框架、模型跟不上”的隐性损耗。CoEvo-RSI 把模型检查点选择、合并与执行框架演进放进同一历史档案中协调，指向一种更系统的 RSI 路线：不仅训练模型，也训练模型所处的运行环境。
不过，该框架依赖元智能体和拒绝采样数据闭环，实际效果受反馈质量与任务分布影响。目前公开信息显示，论文尚未给出跨领域长期稳定性证据，因此更适合看作方法探索，而非可直接复用的产品方案。
对用户/开发者/创作者的影响
对开发者而言，这类研究的价值在于提示：构建 AI 应用时，执行框架、工具链和模型版本应作为整体管理，历史版本和反馈数据可以成为后续适配的资产。对使用 API 或开源模型做垂直应用的团队，摘要中的结果表明中小模型经过针对性 SFT 后，在特定任务上有追赶更大模型的空间，但需要自行复现并验证。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对普通用户和创作者，短期内没有可直接使用的产品变化。它更多影响智能体产品的稳定性和任务完成质量，而非内容生成效果本身。
值得关注的后续
一是论文是否公开完整实验细节，包括多任务基线和消融结果；二是该协同进化方法能否在更多模型家族和真实业务反馈中复现；三是相关思路是否被开源智能体框架或商业平台采纳，形成可用的工程工具。
