XNews

RSI-Exam量化评估88项任务中的递归自我改进

RSI-Exam量化评估88项任务中的递归自我改进

RSI-Exam基准测试衡量有边界的递归自我改进:智能体在数小时内改进可执行工件或冻结模型测试框架,并通过隐藏测试的一次性重跑进行验证。它从弱可运行基线开始;双容器隔离防止过拟合。分数:0为基线,0.6为前沿,1.0为上限。88项任务涵盖六个领域。领先者:Opus 5 Claude Code得0.464,GPT-5.6-sol Codex得0.433,GLM 5.3 Claude Code得0.403。

Source posts