搜索
Mind Lab（马卡龙）正式发布面向企业的模型后训练与推理平台 Mint Recursive，将其从 Macaron V1.1 训练实践中沉淀的 MinT 底层系统、自动化训练与迭代管线以托管服务形式开放给企业，支持 GLM、Qwen、DeepSeek、Kimi、MiniMax 等开源基座及监督微调、强化学习、全参数训练和 LoRA。
今年以来，RSI（Recursive Self-Improvement，递归自我改进）逐渐从硅谷前沿话题，演变为全球共识。
AI 距离真正的递归自我改进（RSI）还有多远？当前，AI 已开始参与数据生成、训练优化、工具迭代与结果验证，但参与研发，并不意味着已经具备持续改进自身的能力。它能够自主完成哪些环节，又如何将局部优化连接成持续、可靠的改进闭环？回答这些问题，需要回到具体的研究与实践，审视已有进展与尚待突破的瓶颈。
RSI（递归自我改进）已经热了一段时间。从 OpenAI、Anthropic 到谷歌，头部实验室都在探索如何让 AI 参与下一代 AI 的研发，创业公司也开始围绕它做产品、搭环境、建评测。
Memories.ai创始人沈俊潇在对话中阐述，记忆只是基础，公司真正聚焦于通过自建视频数据湖驱动物理AI实现"递归自我进化"（Physical RSI），其LVMM大型视觉记忆模型已与高通、英伟达达成合作，种子轮融资追加至1600万美元。
智谱创始人唐杰发文披露RSI最新进展，称由GLM-5.3驱动的Infra Agent在超过10万卡国产芯片集群上不到两周内完成GLM-5.3 Flash生产级推理服务搭建，将端到端吞吐提升至初始基线的3倍，表明RSI最小闭环已经形成但距离递归自我改进仍很遥远。
AI 距离递归的自我改进（RSI）还有多远？
刚刚，Anthropic首次自曝绝密底牌：3万个AI正在研发下一代自己，正在疯狂自我进化。
智谱首席科学家唐杰发布 GLM-5.3-Flash 推理系统优化成果，模型仅用两周在超 10 万颗国产 AI 加速器集群上完成生产部署，端到端吞吐提升 3.2 倍，并由 GLM-5.3 驱动的 Infra Agent 参与瓶颈分析与代码修改，标志着智谱首个 RSI（递归自我改进）早期形态的落地。
谷歌，可能已经破解了RSI！