また一つRSIの道筋が現れた：モデルパラメータは動かさず、AgentはMemoryによって進化し続ける

動察 Beating AI 速報、UCSD 助教授の黄碧薇氏が創業した因果世界モデル企業 Aether AI が RSIAgent をオープンソース化。

これはモデルを訓練しない再帰的自己改善フレームワークだ。基盤モデルのパラメータは全過程で固定され、Agent が自ら練習に値するタスクを見つけ、実際に操作し、結果を確認し、成功した方法と失敗から得た教訓を長期 Memory に書き込む。次のラウンドではこれらの経験を引き続き活用し、能力の短板を徐々に補っていく。

システムは三つの Agent が連携して構成される。Curriculum Agent が次に何を練習するかを決め、Actor Agent が実際にソフトウェアを操作し、Verifier Agent が独立して結果を検査する。探索は二段階に分かれる。まず幅広く異なるタスクを試し、その後、失敗・隠れた制約・エッジケースに対してさらに深掘りを続ける。最後に Memory が凍結され、そのまま正式なタスクの実行に使われる。

OSWorld 2.0 では、この RSI を導入した後、平均部分スコアが 71.97% から 78.98% に向上し、Agents’ Last Exam は 83.75% から 84.82% に向上した。ただしこれはテスト全体の厳密な A/B 比較ではない。OSWorld では半分のタスクだけが実際に RSI 後の新しい結果を使用し、残りのタスクは元の成績を引き続き使用している。

これは Prime Agent のような Harness 自己改善のアプローチと同じ大きな方向性に属する。モデルの重みは変えず、モデルの外側にあるものを継続的に更新する。RSIAgent の特徴は、改善の重点を Memory に置き、自律的な出題と独立した検証によって、この外部経験ライブラリを絶えず蓄積させていくことにある。