RSI-Anything：一次补丁执行，怎样改变下一次选择

RSI-Anything 的代码修复实验改善了修复系统，写代码的模型却始终固定。ReasonFlux-Coder-7B 不变时，容量匹配的静态验证器得到的最终隐藏测试全过率为 26.3%；由固定世界模型挑选补丁，达到 29.2%；再用执行反馈适配世界模型，达到 31.2%。最后一组比较在代码模型和候选预算均不变的条件下，增加了 2.0 个百分点。从执行中学习的组件，是负责后续补丁选择的预测器。代码修复结果，§3.1

沿着一个候选补丁往下看，这个区别就具体了。每轮，代码模型提出四个补丁。执行结果预测器 W1 为每个“候选补丁—测试”组合，输出五种结果类别的概率分布。固定和适配两种世界模型配置都汇总这些概率，给四个补丁排序，再执行其中一个。四个候选都有预测；在这次选择中，只有被执行的补丁得到真实测试结果。代码方法，§6.1

这是 waytoRSI 绘制的编辑机制示意图，不是原始实验证据。A–D 和获选的 B 都是示意标识，并非实验中记录的补丁。实线表示预测、选择与观测；虚线表示跨周期更新，不表示每执行一次就训练一次。

有用的学习记录，要匹配同一个补丁、同一项测试。以图中示意的 B 为例，它在某项测试上的真实结果类别，可以与 W1 当时对该测试的概率预测配对。A、C、D 在这一步没有对应观测，不能拿预测代替尚未测得的结果。框架将预测与观测分别保存，并关联产生它们的行动、上下文、证据来源和系统版本。反馈记录，§§2.1–2.4

这种配对解释了执行如何为预测提供监督。真实结果类别成为目标，可以与预测的概率分布比较。因此，即使一次修复没有成功，它仍可能提供预测目标：能否修好程序，与能否作为一条结果观测，是两件事。框架规定，结果标签可以监督对应的结果读出。标签本身并不揭示完整的下一状态；但如果上游参数可训练，这项结果损失也可以更新上游参数。仅知道监督目标是什么，还不能确定哪些权重会改变。适配目标，§2.4

方法段对 W1 起点的描述，比对每次后续更新的描述更具体。W1 是一个 3B 执行结果模型，采用 JEPA-Anything 的预测设计，并通过 LoRA 从 Qwen2.5-Coder-3B-Instruct 适配而来。这说的是初始构建。所引代码方法段报告了后续 W1 适配，却没有逐次说明在线更新的可训练参数子集和优化器；框架也明确允许后续适配采用不同于初始构建的选择。对照实验明确的是改动对象：适配配置更新 W1，固定配置沿用 W1，两者都保持代码模型固定。W1 构建与适配，§6.1；目标与参数选择，§2.4

它与递归改进的联系，在于保留下来的改动能影响什么。更新后的预测器可能改变下一组候选的排序；选择变了，接下来能观察哪次执行、收集什么学习材料，也可能改变。这说明选择与学习之间存在依赖关系，并不保证后续观测更有价值，或下一次更新一定更好。保留版本与后续经验，§2.5

论文中的成功率是在特定评测条件下得到的。作者使用 200 个 CodeContests 任务、三个随机种子，至多三轮反馈。由此产生的 600 次“任务—种子”评测，在不同种子下重复使用同一批任务，并非 600 个独立任务。在线测试提供修复反馈，隐藏测试提供最终全过率。评测与统计口径，§6

静态验证器与固定世界模型的比较，还给出了选择质量的证据。候选排序准确率从 66.5% 升至 72.8%，五分类 Brier 分数从 0.488 降至 0.358，后者越低表示预测表现越好。这两项诊断比较的是静态验证器与固定世界模型，支持论证的第一部分：预测排序改善的同时，修复成功率也提高了。29.2% 到 31.2% 则是另一组比较，衡量允许 W1 适配后报告的额外收益。预测诊断与适配结果，§3.1

每个任务的平均在线测试套件调用几乎相同：静态验证器为 3.72 次，固定世界模型为 3.71 次，适配世界模型为 3.72 次。因此，这组对照能说明系统在相同候选预算下怎样利用执行反馈，却不能证明总计算量相同。预测器推理、适配、历史记录重评和验收检查，都不是在线测试套件调用次数能衡量的；框架也将外部反馈用量与更新、评估计算分别记账。表 2；计算开销口径，§2.4

何时更新，保留哪一版

更完整的框架在选择下一步行动之外，还要决定由哪一版系统负责后续决策。论文用不同下标区分这两个时间尺度：t 表示行动步，k 表示更新验收周期。一个周期可以汇总多个行动步、轨迹或任务的反馈；更新决策和验收结束后，周期就结束，即使两个组件都没有换版。因此，反馈历史可以继续增长，但这本身不构成策略或模型更新。系统状态与周期定义，§2.1

框架中的策略变化，可以涉及可训练参数，也可以涉及持久的工作流。策略与预测器可以按不同节奏更新，任一组件也可以保持不变。对于已启用的预测器适配路径，触发条件要求可靠性评估为“不可靠”、适配数据充足，而且剩余预算足以承担这次尝试。由于观测来自被选中的候选，可靠性结论只能覆盖这些观测所支持的范围。覆盖不足会得到“证据不足”的评估，不会触发这项适配。策略改进与条件适配，§2.4

评估可靠性还必须分清版本。判断当前预测器时，框架要求用属于当前版本的预测与观测比较：可以使用该版本已经保存的预测，也可以让当前模型对记录中的输入重新预测。旧版本的预测仍可用于理解过去的决策，但不能直接混入当前版本的误差估计。这里要回答的是：现在正在使用的预测器，在已有观测覆盖的候选范围内是否可靠。可靠性协议，§2.4

尝试更新之后，还要决定新版本是否留下。完整协议先将候选组件与当前版本比较，再在预先规定、相互匹配的条件下评估组装后的策略—模型组合。组合检查有具体原因：新策略可能提出预测器判断不准的候选，新预测器也可能改变候选选择；组件各自变好，并不必然让共同决策变好。组件检查失败，就保留该组件的当前版本；组合检查失败，就保留整个旧组合。两个组件都未改变时，无需重新比较组合。随后，保留的组合与累积历史一起进入下一周期。这些是完整框架的规则，固定代码模型下的成功率并不能单独验证每一项触发和保留环节。组件与组合验收，§2.5；各实验的更新范围，§6

五类应用改变了什么

明确改动的对象之后，其余应用的结果也更容易定位。

领域设置与更新范围，表 4

GUI 报告了两侧组件的更新：MiniWoB++ click-checkboxes 和 OSWorld 使用实际交互结果更新动作策略与世界模型，再由保留的组合指导后续交互。实验室规划沿时间追踪的则是另一种对象：同一改进过程中连续保留的五版 4B 策略，都在相同的 200 题 LabHorizon F200 基准上评测。其 Final Score 组合动作序列相似度与参数准确度。能否在真实设备上可靠执行，仍是另一项评测问题。GUI 与实验室方法，§6.1；物理执行边界，§5

化学部分展示了观测如何引导搜索。在两项 Suzuki–Miyaura 筛选中，预测产率帮助选择反应条件，实测产率扩充历史，供下一次选择使用。一项筛选采用 GC 测量，另一项采用 LC–MS。这些搜索曲线展示了累积观测的利用，但仅凭曲线，还不能证明策略或世界模型发生了被接受并持久保留的版本更新。反应条件搜索，§3.4；化学方法，§6.1

免疫科学把构建和下游使用分开。在构建阶段，系统搜索科学智能体工作流与模型配置，保留选中的建模工作流及其预测器；扰动测量为模型开发提供依据。下游分析中，模型预测与实验证据指导干预排序和自我修正，但预测器参数保持冻结，变化的是候选干预和假说排序。由此提出的治疗假说仍待实验检验。免疫科学应用，§3.5；构建与下游分析，§6.1

在这些应用中，“跨领域通用性”指的是复用改进机制，各领域使用自己的模型、策略和评测。结果分别支持预测选择、预测器适配、连续策略版本改进和观测引导的搜索。把这些部分合起来，仍不能证明一个统一的策略—世界模型系统在同一任务内持续相互改进，更不能据此推出通用递归自我改进。论文自身也指出，要支持前一个较窄的单任务结论，还需要联合多轮评估。讨论，§5

接下来的证据问题，是把反馈一路追踪下去：在同一任务的连续周期中，保留下来的策略与预测器改动，是否支持了更好的预测质量和后续任务表现？回答它，需要把通过验收留下的版本与它们之后的决策对应起来，保持评价标准不变，并将外部反馈用量与更新、评估计算分别核算。

本篇由 AI 生成，分析对象为 2026 年 10 月 9 日提交的 RSI-Anything v1。实验结果均归于论文作者的报告。版本历史