RSI-Forge 把210篇论文变成AI可执行任务，模型三次尝试后成绩显著提升

事件核心：发生了什么

根据 alphaXiv 页面显示的论文信息，RSI-Forge 是一套多智能体流水线：作者智能体负责把论文改造成可运行任务，并准备起始代码、数据生成代码、评测器、开发集和留出测试集；复现智能体在不接触作者实现的情况下独立复现论文方法，作为基线；审查智能体负责检查任务说明是否可用、评测器是否衡量既定目标，失败时返回修复。最终产出覆盖 18 个领域的 210 个环境，其中 90 个由独立人类领域专家审查。原始素材称，从 10800 篇预印本中筛选出 2117 篇合格论文，79% 被接受的主运行环境至少经历一次修订。研究团队另在 120 个环境中让四个模型（Claude Opus 5、GPT-5.6-sol、DeepSeek、Claude Haiku 4.5）连续尝试三次，每次继承前一次代码与笔记，但模型权重保持不变。

为什么重要

可执行、可评测的研究环境一直是训练和评估“自我改进”智能体的稀缺资源。RSI-Forge 的价值在于把构建这类环境的流程部分自动化：用多智能体分工替代大量专家与工程投入，并通过审查与修复环节降低一次性生成带来的质量风险。论文同时强调，模型提升只发生在这些被改造过的任务上，任务经过算力约束适配，并不代表模型解决了原始科研问题，也不等价于真正意义上的自我改进。目前公开信息显示，专家评审对“改进起始方案的空间”和“评测器区分质量的能力”评分较高，但对捷径抵抗、忠实于源论文、单一思路能否穷尽任务更为挑剔。

对用户/开发者/创作者的影响

对开发者和研究者来说，这类工作可能降低构建 AI 评测基准与训练环境的门槛，未来或可复用于模型后训练、Agent 基准测试和自动化科研实验。但需要区分“环境生成”与“产品上线”：目前没有信息表明 RSI-Forge 已成为可直接调用的 API 或开源工具。对 AI 应用团队而言，更现实的启发是：评测器质量、开发集与留出集分离、独立复现基线，这些工程约束对构建可复现的智能体评测同样关键。

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。

了解 GamsGo AI

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

第一，RSI-Forge 是否会开源或提供公开可访问的环境集合，让社区验证这 210 个任务的实际可用性。第二，后续研究能否证明提升来自继承的代码与笔记，而非单纯增加求解时间——这是判断“递归自我改进”叙事是否成立的关键。第三，该流程能否扩展到更依赖真实实验、硬件或长周期反馈的学科，而非停留在可被自动评测的计算型任务。第四，是否会出现同类竞品，把论文到任务的转换做成标准化基准平台。

来源：alphaXiv