衔远科技和清华大学联合推出的 OpenRSI（Open Recursive Self-Improvement）并不是在谈论科幻电影里那种瞬间觉醒的超级智能，而是试图解决一个非常具体的工程难题：如何让 AI 系统在机器学习工程（MLE）这个特定领域里，通过不断的试错、执行和反馈，实现可验证的自我进化。
- 项目主页：https://frontisai.github.io/OpenRSI
- GitHub：https://github.com/FrontisAI/OpenRSI
- 模型：https://huggingface.co/collections/FrontisAI/frontis-ma1
Frontis 的这项开放倡议核心在于三个路径：AI4AI 基础模型（内化研究过程）、世界模型与研究品味（判断哪里值得投入算力）以及开放任务与评估（把真实研究变成可搜索的流程）。它的目标很明确：让每一代 AI 的研发速度更快、效率更高，且每一步改进都可追溯。
Frontis-MA1：首个落地成果
作为 OpenRSI 的第一个发布物，Frontis-MA1 是一个专门针对机器学习工程的元进化智能体。它不是凭空产生的，而是在 OpenMLE 这个开源全栈系统中训练出来的。
OpenMLE：可执行的进化沙盒
OpenMLE 为 AI 提供了一个可以“动手干活”的环境。在这个环境里，AI 不再是只吐文字，而是能起草代码、调试程序、重组逻辑，并根据执行结果（比如代码跑没跑通、准确率多少）来学习。
它包含几个关键组件：
- OpenMLE-Gym：负责构建和执行那些可以被验证的 MLE 任务包。
- OpenMLE-RL：通过执行基础的监督微调（SFT）和在线强化学习（RL），教会 AI 如何进化程序。
- OpenMLE-Evo：将学到的进化算子组合起来，进行长期的搜索和优化。
四个核心进化算子
Frontis-MA1 学会了四种基本的“手艺”，用来改进代码：
- Draft：从头生成一个新程序。
- Improve：根据执行反馈，优化现有的父程序。
- Debug：修复那些跑不通的程序。
- Crossover：把两个父程序的优点重组在一起。
实测表现：模型与系统的双重提升
在 MLE-Bench Lite 基准测试中，研究团队通过受控对比，把“模型变强了”和“搜索系统变强了”区分开来：
- 后训练增益：仅看模型本身，从基础模型升级到 Frontis-MA1-35B，奖牌平均值从 39.39% 提升到了 60.61%。
- 端到端系统：当 Frontis-MA1-35B 配合 OpenMLE-Evo-Max（异步多 GPU 搜索配置）一起工作时，奖牌平均值达到了 71.21%。
- 迁移能力：即使更换了模型或框架，这套系统依然能保持较高的匹配 SOTA（当前最佳）水平，证明了其进化逻辑的通用性。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
