滚球app2026世界杯中国官网下载 Anthropic宣告「递归自我普及」期间到来, 全景综述带你一探究竟

发布日期：2026-06-12 05:44    点击次数：171

近日，Anthropic 发布了一篇激励凡俗眷注的著述《When AI builds itself》。文中泄漏了极其惊东谈主的里面数据：适度 2026 年 5 月，Anthropic 高出 80% 的归并代码已由 Claude 编写，工程师的通俗代码产出飙升了 8 倍；更令东谈主留心的是，AI 智能体已经不错自主淡薄假定、履行长达数百小时的强化安全实验。

这讲解 AI 已起首展现自主参与下一代模子遐想与教诲的后劲，而这种自我普及才气（Self-Improvement），正在成为下一代 AI 发展的重要驱能源。

图 1：大言语模子自我普及 (LLM Self-improvement) 的构想：东谈主类只需启动系统，模子便能够抓续改造自己才气。

畴前，探讨大言语模子（LLMs）的下一步发展时，焦点时时局限于更大的参数规模、海量的数据喂养和极限的算力堆叠。

但是，传统依赖东谈主类监督的教诲范式正缓缓面对瓶颈：高质地东谈主工标注极其不菲，众人反馈难以规模化；更致命的是，跟着模子才气的指数级攀升，在高档数学、复杂代码生成和前沿科研推理等任务中，东谈主类的默契规模，反而成了限制模子进化的天花板。与此同期，跟着智能体期间的闇练，模子已展现出自主生成数据、调用用具和履行代码的强劲自动化才气。

这标明，现时的大言语模子已具备主动参与自己迭代的才气，无需再实足依赖东谈主类的监督。这一趋势秀丽着一种深远的范式转移：大言语模子的发展正从被迫接纳东谈主类微调与修正转向自主探索与抓续进化。

为了解构大言语模子自我普及的底层逻辑，填补系统性征询的空缺，来自纽约州立大学石溪分校 Zesearch NLP Lab 的 Haoyan Yang、Jiawei Zhou 等东谈主经过快要一年的力图，最近发布了一篇 113 页、涵盖 500 余篇前沿文件的对于大模子自我普及的全景综述：

GitHub Repo: https://github.com/Zesearch/self-improvement-llm

神情网站: https://zesearch.github.io/self-improvement-llm-website/

图 2：LLM 自我普及系统 (LLM Self-improvement system) 的闭环框架：数据获得、数据筛选、模子优化、推理细化与相接全程的自动评估。

论文淡薄了「LLM 自我普及系统」（LLM Self-Improvement System）这一想法。

比拟已关联于自我演化智能体 (Self-Evovling Agents) 的征询，这篇论文愈加从模子自己才气启航，眷注模子怎么凭借内在才气驱动系统抓续演化，并将畴前散布在数据、教诲、推理和评估中的步调，整合为一个由模子才气驱动的系统级闭环人命周期。

在这个框架中，自我普及不再是单一算法，而是一套可抓续运转的智能系统。论文围绕一个中枢问题张开：如安在不同阶段应用模子自己才气，股东抓续且自主的改造？

论文将自我普及系统玄虚为四个中枢要道：数据获得（Data Acquisition）→ 数据筛选（Data Selection）→ 模子优化（Model Optimization）→ 推理细化（Inference Refinement），并由自动评估（Autonomous Evaluation）行为相接全程的禁止层。每个要道王人以模子的自动化才气为中枢，使模子能够主动获得数据、筛选样本、优化自己，并在推理中反想改造。

数据获得（Data Acquisition）

图 3：数据获得 (Data Acquisition) 的三种主要旅途：静态筛选、环境交互与合成生成。

自我普及当先需要骆驿链接的学习数据。论文将数据获得分为三类：静态筛选 （Static Curation）、环境交互（Environment Interaction）和合成生成（Synthetic Generation）。

静态筛选是从已有语料中挖掘可学习样本；环境交互让模子通过与外部环境交互来主动获得数据；合成生成则进一步让模子我方构造新的教诲数据。跟着这三类花式递进，模子从使用已罕有据走向主动探索以致是自主创造数据。

数据筛选（Data Selection）

图 4：数据筛选（Data Selection）的两类核神思制：模子指点评分与自适宜选定。

在数据获得之后，问题转向数据筛选：重心变成当已经获得到饱胀的数据后，判断哪些数据着实有价值。 低质地、叠加或造作的数据可能放大偏差，以致导致模子垮塌。因此，系统需要筛选出更有用的数据，过问下一步教诲。

论文将数据筛选步调分为两类：第一类是模子指点评分（Model-Guided Scoring），即应用模子产生的信号对数据进行打分和过滤，举例置信度、困惑度、梯度或亏空函数；第二类是自适宜选定（Adaptive Selection），即把数据筛选变成一个可学习的政策，把柄模子才气和反馈动态更新，选定现时最有价值的数据。

模子优化（Model Optimization）

图 5：模子优化 (Model Optimization) 的 GRO 框架，通过生成、奖励与优化轮回股东模子才气抓续普及。

在数据经过获得和筛选之后，模子优化阶段肃肃将这些数据着实曲折为模子才气。

作家将这也曾过追忆为 GRO 框架，即生成 — 奖励 — 优化（Generation–Reward–Optimization）：模子当先基于已罕有据生成反应现时才气的输出，再应用奖励信号判断其质地，并通过教诲更新自己参数，使模子在轮回迭代中抓续普及才气。

在这个 GRO 轮回中，生成（Generation） 是启航点：模子基于现时才气产生谜底、推理链等。论文将生成花式分为三类：自我探索（Self-Exploratory Generation） 让模子尝试生成多种可能解；精湛生成（Refined Generation） 让模子在运行输出上反想和修改；交互式生成（Interactive Generation） 则通过用具、环境或外部反馈不休调理生成经过。

随后是奖励（Reward） 阶段：系统对生成终端进行自动评估，判断哪些输出值得学习。奖励信号主要包括三类：启发式奖励（Heuristic Reward） 依赖章程或浅显策动，模子奖励（Model-based Reward） 由模子或奖励模子进行打分，可考证奖励（Verifiable Reward） 则通过代码履行、谜底匹配或体式化检查等花式提供更可靠的反馈。

终末是优化（Optimization） 阶段：模子应用这些反馈更新自己参数。优化步调不错分为三类：监督微调（Supervised Fine-Tuning, SFT） 把高质地输出行为教诲数据，强化学习（Reinforcement Learning, RL） 把柄奖励信号成功优化模子行径，搀杂优化（Hybrid Optimization） 则聚拢 SFT 和 RL：先用高质地数据进行监督学习，再通过奖励信号进一步强化模子发扬。

此外，作家还追忆了三种常见的模子优化范式，它们不错看作 GRO 框架在具体步调中的不同实例：迭代终结采样（Iterative Rejection Sampling）、自我考证与精湛（Self-Verification and Self-Refinement），滚球app网页官方版以及自我对弈（Self-Play）。

在迭代终结采样中，模子先生成多个候选谜底，再通过章程或模子打分筛选高质地样本，终末将这些样本用于监督微调。自我考证与精湛则先生成运行谜底，再进行自我检查与修改，终末应用改造后的谜底进行监督微调，或将修改前后的谜底构变成偏好对进行偏好优化，从而普及模子才气。自我对弈通过模子自己或多个模子之间的竞争与联接生成更具挑战性的样本，并借助赢输、偏好或考证信号更新模子。

推理细化（Inference Refinement）

图 6：推理细化 (Inference Refinement) 的四类步调：解码政策、推理式增强、智能体系统增强与测试时教诲。

在模子优化之后，自我普及系统还需要沟通另一个问题：模子才气如安在施行推理经过中被进一步普及。

模子优化眷注的是通过教诲更新参数，而推理细化（Inference Refinement）眷注的是：在参数不一定遥远编削的情况下，怎么让模子在回应问题时更好地搜索、反想、调用用具并修正自己输出。

论文将推理细化归纳为四类步调。第一类是解码政策（Decoding Strategies），通过采样、树搜索、logit 调理和后果优化等花式，指点模子生成更可靠的谜底。第二类是推理式增强（Reasoning-based Improvement），让模子在生成经过中加入履行、反馈、反想和联接推理，从而不休修正中间步调。第三类是智能体系统增强（Agentic System-based Improvement），通过领导词、用具、牵记模块和使命流，把模子放入更完满的任务系统中普及发扬。第四类是测试时教诲（Test-Time Training），即模子在面对具体问题时，应用现时任务产生的反馈进行临时更新，再生成最终谜底。

这部分的核情意旨在于，它把自我普及延伸到推理经过，使系统不仅依赖教诲后的参数更新，也能在具体任务中兑现动态改造。这亦然现时「自我演化智能体」征询最眷注的主义之一：智能体如安在运行时通过运筹帷幄、反想、用具调用和环境交互，不休调理自己行径并普及任务完成才气。

自动评估（Autonomous Evaluation）

乐鱼体育世界杯中国官网首页

图 7：自动评估（Autonomous Evaluation）通过动态基准和交互环境评估，抓续监控自我普及系统的真实高出。

除了上述四个要道，自我普及系统还需要一个相接全程的禁止层：自动评估（Autonomous Evaluation）。若是穷乏评估，系统就无法判断自己改造是否真实有用。作家以为，评估经过不应只依赖东谈主工检查或固定测试集，而应能够跟着模子迭代自动更新并提供反馈。

为此，论文强调两类步调：动态基准（Dynamic Benchmarking） 不错抓续生成或更新测试任务，幸免静态基准失效；交互环境评估（Interactive Environment Evaluation） 则让模子在真实或模拟环境中完成任务，并把柄环境反馈自动判断发扬。

通过这种花式，评估不再是闭环末端的一次性打分，而是抓续带领系统改造的反馈机制。

风险、应用与将来（Application, Challenge and Future Outlook）

图 8：自我普及系统的六大挑战：数据自噬、反馈信号谬误、优化驱动失败、无效自我精湛、评估瓶颈和监督瓶颈。

自我普及系统具有广泛后劲，但也面对一系列挑战。作家一共追忆了六个重要问题：模子反复学习自己生成的数据，可能带来数据自噬（Data Autophagy）；造作或有偏的反馈会变成反馈信号谬误（Flawed Feedback Signals）；教诲和优化经过可能出现优化驱动失败（Optimization-Driven Failures）；推理阶段的自我精湛偶然仅仅名义修改，形成无效自我精湛（Ineffective Self-Refinement）；此外，评估瓶颈（Evaluation Bottlenecks）和监督瓶颈（Supervision Bottlenecks）也会限制系统的可靠发展。

图 9：自我普及系统的六大应用场景：代码、数学、医疗、金融、算法发现和科学征询。

与此同期，作家追忆了自我普及系统的六大应用场景，包括代码（Code）、数学（Math）、医疗（Medicine）、金融（Finance）、算法发现（Algorithm）和科学征询（Science）。这些领域中已经出现了不少自我普及的应用案例，展现着这一主义的施行价值。

面向将来，作家淡薄了自我普及征询的四大主义：

第一，从模子级优化走向端到端自我普及系统（End-to-End Self-Improving Systems）；

第二，发展面向应用的专用自我普及模子（Application-Centric Self-Improved Models）；

第三，确立长入基准与自主评估（Unified Benchmarks and Autonomous Evaluation），接洽模子是否确实在抓续高出；

第四，在自动化与东谈主类监督之间取得均衡（Balancing Automation and Human Oversight），确保系统既能自主进化，又保抓安全和可控。

总体来看，这篇论文把自我普及从一组散布的期间步调，普及为一个以模子为主体的系统级闭环框架，通过数据、教诲、推理和评估等要道的协同，使大模子从一次性教诲的居品，缓缓走向能够抓续成长的闭环智能系统。

当东谈主类不再总能赓续教模子时，谁来股东模子高出？谜底鄙俗是模子我方。

作家先容

第一作家： Haoyan Yang，纽约州立大学石溪分校计算机科学博士生。

个东谈主主页：https://joyyang158.github.io/haoyan-yang/

其他作家：Mario Xerri、Solha Park、Huajian Zhang、Yiyang Feng、Sai Akhil Kogilathota，来自纽约州立大学石溪分校计算机科学系以及数据科学神情

通信作家： Jiawei Zhou，纽约州立大学石溪分校计算机科学系、数据科学神情、应用数学与统计系助理老师。

个东谈主主页：https://joezhouai.com滚球app2026世界杯中国官网下载

• Anthropic
• 自我
• 宣告
• 递归