RSI-Anything：借助世界模型解锁递归自我改进
TLDR
RSI-Anything利用预测世界模型实现递归自我改进，在代码修复、GUI任务、实验室规划和反应优化中均取得提升。
评分理由
The paper proposes a domain-general RSI framework with clear empirical improvements across multiple tasks, which is a strength. However, the abstract omits methodological depth and limitations, and external validation or reproducibility details are not stated.
Read-first 评分解释
综合优先阅读分 54.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 49。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：51。
关键词评分
深度分析
创新点
- 提出了基于JEPA-Anything的领域通用递归自我改进框架RSI-Anything
- 利用预测世界模型同时指导动作选择和学习数据选择
- 利用观测反馈驱动策略或工作流改进，并进行条件世界模型自适应
- 通过组件与兼容性检查管理更新后的策略-模型对的保留
方法
RSI-Anything是一个基于JEPA-Anything的领域通用框架，利用预测世界模型指导动作与学习数据的选择。观测反馈驱动策略或工作流改进以及条件世界模型自适应；组件与兼容性检查决定更新后的策略-模型对的保留。该框架在代码修复、GUI任务、实验室规划、反应优化以及端到端免疫科学应用中进行了评估。
关键结果
在代码修复中，固定编码器时，成功率从静态验证器的26.3%提升到预测选择的29.2%，并在世界模型自适应后达到31.2%；GUI评估的任务完成度更高，平均动作数减少39.4%。实验室规划得分在五个策略版本中从21.80%倍增至46.01%；在相同40次实验预算下，反应优化平均最佳观测产率为96.15%，而贝叶斯优化为82.16%。
局限性
- 外部反馈成本高昂。
- 世界模型预测可能随策略演化而变得不可靠。
技术栈
JEPA-Anything