# 运行框架演化

RSI-Env把模型训练与脚手架修改放进同一个可持久化的沙箱，由独立的Host Controller负责服务、校验、版本与能力评测，Self模式下被接受的模型–脚手架版本接手下一轮改进。以Qwen3.8-27B配最小脚手架起步，无基准反馈的Open-General Self把GPQA Diamond准确率从65.2%提到73.2%、AIME 2026从53.3%提到56.7%；Knowledge Self让SimpleQA从82.0%升到85.0%再到88.0%，但同一批运行在其他基准上出现回落。

RSI-Env把模型训练与脚手架修改放进同一个可持久化的沙箱，由独立的Host Controller负责服务、校验、版本与能力评测，Self模式下被接受的模型–脚手架版本接手下一轮改进。以Qwen3.8-27B配最小脚手架起步，无基准反馈的Open-General Self把GPQA Diamond准确率从65.2%提到73.2%、AIME 2026从53.3%提到56.7%；Knowledge Self让SimpleQA从82.0%升到85.0%再到88.0%，但同一批运行在其他基准上出现回落。

智能体的表现不只取决于底层模型，也取决于承载它的运行时外壳，即提示、记忆、技能、工具与编排。Harness2把外壳改进做成两层递归：任务层用“提议—探测—组合”的对比步骤，在没有标准答案的情况下比较改动前后的执行行为；改进层再把这一过程沉淀为经验库，指导后续任务。在WorkBuddy-Bench、JobBench和Harvey法律智能体基准上，单步改进让GLM-5与Gemini 3.5 Flash在四种模型—外壳配置下全部提升，最高分别达11.5分、4.5分和11.8个百分点。

智能体的表现不只取决于底层模型，也取决于承载它的运行时外壳，即提示、记忆、技能、工具与编排。Harness2把外壳改进做成两层递归：任务层用“提议—探测—组合”的对比步骤，在没有标准答案的情况下比较改动前后的执行行为；改进层再把这一过程沉淀为经验库，指导后续任务。在WorkBuddy-Bench、JobBench和Harvey法律智能体基准上，单步改进让GLM-5与Gemini 3.5 Flash在四种模型—外壳配置下全部提升，最高分别达11.5分、4.5分和11.8个百分点。

Cortex把开发者的每次纠正变成可重放任务，只在重复对照中净胜且不压垮任何任务时才保留一条技能或规则；四次独立运行在从未见过的场景上把四条项目约定的通过率从21.5%提到76.5%。

Cortex把开发者的每次纠正变成可重放任务，只在重复对照中净胜且不压垮任何任务时才保留一条技能或规则；四次独立运行在从未见过的场景上把四条项目约定的通过率从21.5%提到76.5%。

该工作提出 CoTrace——一种在模型与运行时（harness）交替协同演化中显式管理轨迹路由、来源匹配与课程刷新的数据配方：它把执行失败导向 harness 合成，只用在已采纳运行时下验证成功的轨迹训练策略；在 Tmax 的 102 任务评测划分上，Qwen3.5-9B 经监督微调从 78 提升到 88，在线强化学习变体达到 90，而规模更大的跨 harness 混合语料却未带来任何被采纳的模型更新。

该工作提出 CoTrace——一种在模型与运行时（harness）交替协同演化中显式管理轨迹路由、来源匹配与课程刷新的数据配方：它把执行失败导向 harness 合成，只用在已采纳运行时下验证成功的轨迹训练策略；在 Tmax 的 102 任务评测划分上，Qwen3.5-9B 经监督微调从 78 提升到 88，在线强化学习变体达到 90，而规模更大的跨 harness 混合语料却未带来任何被采纳的模型更新。

EmbodiedRSI 是一个自演化智能体框架，在冻结机器人基础模型之外，用假设图维护代码与技能假设，用信息价值实验选择挑出最能区分假设的物理实验，并以代码—技能协同演化与奖励驱动的分层记忆学习把每次物理交互转化为可复用改进；在 RoboCasa365 上总体成功率 77.0%、Composite-Unseen 71.3%（最佳基线 40.1%），LIBERO-Pro 总体 86.8%，并将仿真中演化的框架零样本迁移到真机，总体成功率 71.3%。

EmbodiedRSI 是一个自演化智能体框架，在冻结机器人基础模型之外，用假设图维护代码与技能假设，用信息价值实验选择挑出最能区分假设的物理实验，并以代码—技能协同演化与奖励驱动的分层记忆学习把每次物理交互转化为可复用改进；在 RoboCasa365 上总体成功率 77.0%、Composite-Unseen 71.3%（最佳基线 40.1%），LIBERO-Pro 总体 86.8%，并将仿真中演化的框架零样本迁移到真机，总体成功率 71.3%。

HASTE 是一个多智能体框架，通过安全规范生成与攻击用例生成之间的对抗性互动，从威胁报告和预印本中的简短描述或少量攻击样例等稀疏证据出发自动演化智能体防护栏，并把评估结果反馈回两个过程，从而针对超出初始观测证据的新兴攻击持续更新防护栏；在多种骨干模型、攻击类型和证据形式上的实验显示，它一致降低攻击成功率，同时保持良性任务效用。

HASTE 是一个多智能体框架，通过安全规范生成与攻击用例生成之间的对抗性互动，从威胁报告和预印本中的简短描述或少量攻击样例等稀疏证据出发自动演化智能体防护栏，并把评估结果反馈回两个过程，从而针对超出初始观测证据的新兴攻击持续更新防护栏；在多种骨干模型、攻击类型和证据形式上的实验显示，它一致降低攻击成功率，同时保持良性任务效用。