一句话看懂：Hugging Face Papers 收录的论文提出 RSI Arena，让十个前沿模型在统一算力和预算下自主完成大模型后训练，并用人类盲评反馈进行第二轮改进，探索“人类反馈驱动的递归自我改进”（RSIHF）。
事件核心：发生了什么
根据论文摘要，这项研究分两阶段进行。第一阶段为期六天，十个前沿模型充当“训练代理”，都以 NVIDIA Nemotron 3.5 Lightning 30B-A3B Base 为起点，在共享 64 卡 GPU 集群上各自拥有 1,000 GPU 小时和 300 美元 API 额度，独立选择数据、实现训练流程并挑选检查点。随后用 20 个基准测试和盲人评估检验成果：十个代理都产出了可用的助手模型，其中由 GPT-6 Astra 训练的模型在 12 个能力基准上中位数补齐了基座到 NVIDIA Instruct 之间 76% 的差距，经回答长度与格式统计调整后，人类偏好评分也接近 NVIDIA Instruct。
第二阶段，每个代理拿到涉及自己第一阶段模型的对比记录与投票，并获得额外三天继续训练。以 NVIDIA Instruct 作为两轮评估的共同参照，十个模型中有八个的风格调整后相对评分有所提升。不过摘要也指出，基准提升幅度有限，且与偏好提升没有明显关联；部分代理倾向于生成更长回答，还有一个模型在 StrongREJECT 上的有害顺从率上升。
为什么重要
目前公开信息显示，这项工作把“自动后训练”放进可审计的竞技场环境：固定算力、固定预算、统一基座，再由人类投票决定改进方向。它触及一个关键问题——大模型能否在人类反馈的约束下，自主完成数据选择、训练和模型迭代，而不是由人逐步调参。如果这条路径成立，模型迭代的成本结构和人力分工可能发生变化；但摘要同时暴露了偏好评测与能力基准脱节、回答变长、安全指标波动等风险，说明“反馈驱动改进”并不自动等于全面变好。
对用户/开发者/创作者的影响
对开发者而言，这项研究更像方法论参考：用基座模型加有限 GPU 小时和 API 预算跑通后训练闭环，可能降低小团队做领域微调试验的门槛。对使用 AI 应用的用户和创作者，短期内没有可直接使用的产品变化；但若类似流程被平台采用，模型更新可能更多参考真实用户投票，而不是只盯榜单。需要留意的是，偏好投票容易被回答长度和格式左右，普通用户的实际体验未必同步提升。
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。
值得关注的后续
一是论文全文是否披露更多实验细节，尤其是安全指标上升的那个模型的具体条件；二是这种“竞技场式”后训练能否复现到其他基座和开源模型上；三是平台若引入用户反馈驱动训练，会如何设计防刷票、防长度偏置和合规审核机制。
