RSI-Exam、88タスクにわたる再帰的自己改善を定量化

RSI-Examは、制限付き再帰的自己改善をベンチマークする。エージェントは実行可能アーティファクトまたは凍結モデルハーネスを数時間にわたって改善し、隠しテストによるワンショット再実行で検証される。弱い実行可能ベースラインから開始し、デュアルコンテナ分離により過学習を防止する。スコアは0がベースライン、0.6がフロンティア、1.0が上限。88のタスクは6つのドメインにわたる。トップはOpus 5 Claude Code 0.464、GPT-5.6-sol Codex 0.433、GLM 5.3 Claude Code 0.403。