AI竞争焦点转向“递归自我改进”（RSI），即AI自主优化以研发更强AI。清昴智能作为国内首家专注AI自进化Infra的公司，解决国产算力碎片化问题，通过自主优化与演化系统，将算子调优效率提升336倍，模型适配提速30倍，已适配数十款国产芯片，旨在构建万亿Token生产闭环，推动算力底座从L1向L4进化。

Anthropic内部模型Model 2在CoBench测试中得分62.8%，远超公开旗舰模型，接近人类85%水平，距递归自我改进（RSI）仅差22%。公司承认评估工具已饱和，无法准确测量其能力。RSI预计2028年前实现，AI将自主改进，可能超越人类控制。Anthropic在IPO前曝光此事，既展示技术领先，也引发对AI失控的担忧。

中国团队发布BigBang-V1，这是首个基于递归自我改进训练的基座模型，拥有35B参数，其后训练数据完全由AI合成。该模型在科研、代码等评测中表现优异，甚至超越更大规模的模型。其核心在于自演化数据管线，通过生成与批判Agent的协作，结合内外循环机制，实现数据与模型的共同进化，推动AI的自我迭代。

香港中文大学与阿里巴巴联合提出PAST-Bench，首个系统评估个人AI智能体递归自我改进能力的基准。通过控制组设计隔离经验保留效应，在26个任务族上测试7个模型和4种框架，定义记忆、程序、主动信息收集和更新四维度。发现跨会话改进不均衡，并提出Hermes+框架增强机制，但效果依赖模型，通用性待验证。

翁荔在博客中探讨了AI自进化的路径，提出“Harness”作为关键概念，强调模型如何优化自身的运行系统。她分析了递归自我改进（RSI）的工程化过程，指出自我改进不仅限于模型权重的修改，还包括优化训练和部署流程。通过上下文管理和工作流设计，模型能够更有效地执行任务并持续迭代，同时也提到评估器的局限性和负面结果的忽视。

递归自我改进（RSI）概念源于I.J. Good，指AI超越人类并自我改进。Yudkowsky提出AI利用自身智能改进认知机制。现代AI研究加速，系统与模型智能同样重要。文章探讨了“工具设计模式”，如工作流自动化、持久记忆管理和子代理的并行执行，强调设计的简洁性与通用性。未来，RSI将依赖高效的工具与系统设计，推动AI的自我改进。