谷歌开源RSI新成果，华人浓度爆表 - 欧冠直播

谷歌在递归自我改进（RSI）领域的新成果现已开放源代码。

该项目名为 Harness²，它能让大型模型在运行过程中自主修改外部代码、系统提示词、工具链以及技能库。

没错，这就是在Harness层面实现的RSI。

其效果相当显著。

GLM-5在接入Harness²后，在WorkBuddy-Bench办公基准测试中的综合得分直接提升了11.5分。

瞬间超越了原生版本的Gemini 3.5 Flash。

整个过程无需改动模型权重，只需优化其外围的运行环境。

这是一种非常强大的外部增强手段，任何模型套用后，其测试分数都获得了显著提升。

目前，该项目已全面开源，并已支持OpenCode与Codex。

为何“自我改进”屡屡翻车

过去，业界为了让智能体变得更聪明，尝试过许多递归自我改进（RSI）的方法。

这个思路听起来很美好：让AI自己编写代码、修改提示词、优化系统。然而，一旦将其放入真实的开放世界环境中，这些尝试几乎都以失败告终。

原因何在？

主要卡在了两个关键难题上：

缺乏标准答案。

在实验室里刷题时有单元测试，有标准答案来判断对错。但到了真实的职场环境，比如撰写一份商业计划书、审核一份法律合同，线上根本没有人来给你打分。

AI自己修改了一版提示词，它又如何知道这次修改是让它变得更聪明了，还是开始胡编乱造了呢？

过度拟合单一任务。

好不容易为了修复某个特定任务而对外部环境进行了一番改造，结果下一个任务变成了编写爬虫程序，之前修改的规则反而成了累赘。

如果直接将修改后的环境硬套给下一个任务，系统很快就会陷入噪声的恶性循环，变得越来越笨。

谷歌团队此次提出的Harness²，正是专门针对这两个难题而设计的。

他们构建了一套双层递归架构。

双层递归：左手做实验，右手记笔记

Harness²名称中的“平方”，指的就是两层相互嵌套的递归循环：任务级递归和改进级递归。

第一层，任务级递归：在没有标准答案的情况下进行对照实验。

面对当前的新任务，系统会先用初始的外部环境运行出一版参考轨迹。这版结果正确与否暂且不论，核心目的是观察模型在执行过程中暴露出了哪些缺陷。

紧接着，它会启动一套名为 提议-探测-合成 的机制：

提议： 由专门的编辑角色针对刚才的轨迹提出两套修改方案。 一套是“通用缺陷修补”，专门针对跨领域的常见问题，例如规划混乱、工具调用陷入死循环、上下文信息过载等； 另一套是“领域专属修补”，专门针对当前业务的特定知识和约束条件。

探测： 将这两套修改后的候选环境放回到同一个任务中分别运行一遍。 没有裁判也没关系，系统会抓取它们的执行轨迹并与参考轨迹进行行为对比。观察修改是否解决了之前卡住的步骤，是否引发了新的逻辑退化。

合成： 合成器将所有执行证据汇总，挑选出那些被行为证据证实有效的改动，并将其合并到最终的执行环境中。

这还没完。它还支持并行扩展，一次生成k组通用和领域候选方案，共计2k个候选环境，并发进行探测，然后再进行k次独立的合成，进一步拓宽搜索空间。

第二层，改进级递归：将修改环境的经验沉淀为元能力。

当前任务完成后，交付物交出去了，很多系统的生命周期也就此结束。

但Harness²真正的厉害之处在于后续——它将整个调试记录（包括参考轨迹、候选修改、对比证据、合成决策）交给反思模块。

反思模块复盘之后，会撰写一份EXPERIENCE.md文件，将这次为什么这样修改、在什么条件下生效、带来了什么后果，清晰地存入持续改进经验库。

等到下一个新任务到来时： 执行端拿到的，依然是一个干净的基础环境。 但是负责修改环境的那个“改进大脑”，手里已经掌握了厚厚的历史经验手册。在提议和合成阶段，它能够直接检索过往相似场景下的有效组件和避坑指南。

改进的不只是眼前的环境，更是未来改进环境的能力。

这就将单次任务的临时修补，转化成了终身学习的认知资产。

实测跑分

机制讲得再漂亮，终究需要用真实场景的数据来验证。

团队直接采用了三个极具分量的硬核职业基准测试：

WorkBuddy-Bench：涵盖了代码、网页、办公套件三大高难度办公工作流； JobBench：长程端到端复杂专业岗位任务； LAB：Harvey开源的顶级法律智能体基准。

底座模型选择了Gemini 3.5 Flash和GLM-5，执行环境则采用了开源主流的OpenCode和Codex。

结果非常惊人。

在WorkBuddy-Bench测试中，仅进行单步Harness²改进（$k=1$）： GLM-5在OpenCode下的综合得分从64.2飙升至75.7，暴涨11.5分；在Codex下也从64.4飙升至75.3。 Gemini 3.5 Flash在OpenCode下从72.4提升到77.5，在Codex下从74.5提升到77.5。

你看这些数据： 被优化过环境的GLM-5（75.7分 / 75.3分），直接将未修改环境的原生Gemini 3.5 Flash（72.4分 / 74.5分）给超越了。

在端到端岗位任务的JobBench上，单步改进同样带来了全面提升，Gemini 3.5 Flash上涨了4.5分，GLM-5上涨了3.6分；在法律基准LAB上，GLM-5的部分通过率直接提升了11.8个百分点。

如果将并行预算提高到 $k=5$（并发5路候选），性能还会进一步提升：WorkBuddy-Bench最高再涨3.9分，JobBench再涨4.2分，LAB通过率再涨6.7个百分点。

更令人称奇的是经验库的跨领域迁移测试。

团队将在JobBench上积累的经验库迁移到WorkBuddy-Bench，在不增加额外探测预算的情况下，辅助单步Harness改进，最终让代码、网页、办公三项得分分别再提高0.6分、0.5分和2.9分。

过去两年，大家对AI的期待几乎都押注在“底座模型Scaling”上，总觉得只要等下一代GPT出来，手头的应用问题就迎刃而解了。

但现实给所有从业者泼了一盆冷水：基座模型越来越贵，边际效益在放缓，而落地场景里的长尾bug依然无穷无尽。

你给模型再大的上下文窗口，它在处理跨文件对账时依然会偷懒；你给它再高的跑分，它写完报告依然不会主动打开文件去校验格式。

这些东西，靠预训练参数是永远无法完全解决的。

它需要的是一套能在运行中自我感知、自我修补、持续进化的运行时认知工程。

以前我们搭建外部环境，是工程师坐在电脑前一条一条手写提示词、配置工具、修复管道，累得半死还到处漏风。

现在Harness²证明了一条新路： 将规则制定的权力，还给Agent自己。

论文作者

最后，照例介绍一下论文作者。

一共9位，其中华人比例极高，达到了78%。

由于文章篇幅有限，这里按顺序介绍三位。

Ruiyao Xu，论文第一作者兼通讯作者。 美国西北大学统计与数据科学系博士生，导师为Kaize Ding。 主要研究方向包括大语言模型、图机器学习、异常检测及AI Agent系统。 这篇论文，正是他在谷歌实习期间的工作成果。

Yanfei Chen，Google Cloud AI Research资深研究工程师。

本科毕业于北京大学，主修电气工程与经济学，2018年获得美国匹兹堡大学工业工程博士学位。 此后曾在机器学习公司Qeexo担任研究工程师，2020年加入Google，参与过Vertex AI Search、Gemini Enterprise Deep Research等项目，主要研究大语言模型智能体、检索增强生成及工具学习。

Zhongying CuiZhu，也叫Zoey CuiZhu，Google Cloud AI Research研究工程师。

2019年获得斯坦福大学电气工程博士学位，主要研究通用智能体、可验证智能体及智能体质量评估。

参考链接： [1] https://arxiv.org/html/2610.14224v1 本文来自微信公众号“量子位”，作者：Jay，36氪经授权发布。