硅谷百亿美金押注「AI造AI」，清华系创业团队衔远科技反手把模型开源了！

2026年，AI行业最昂贵的新故事，已经不只是「训练一个更大的模型」。

资本开始直接押注：让AI参与制造下一代AI。

4月，AlphaGo核心缔造者David Silver创办的 Ineffable Intelligence完成11亿美元融资、估值51亿美元。它要打造的不是另一个Chatbot，而是一个依靠强化学习和自身经验发现知识的「超级学习者」。

5月，Richard Socher、Peter Norvig等人创办的Recursive Superintelligence带着6.5亿美元融资亮相，目标直接写进公司名字：构建能够发现自身弱点、重新设计并改进自己的AI。

更早之前，AlphaChip联合创造者创办的Ricursive Intelligence在成立不到两个月后完成3亿美元A轮、估值40亿美元。它试图关闭一条真实的物理递归链：AI设计更好的芯片，更好的芯片再加速下一代AI。

另一边，Periodic Labs以3亿美元种子轮起步，建设AI科学家和供其行动的自动化实验室；Sakana AI完成2亿美元B轮、估值27亿美元后，又成立RSI Lab，把AI Scientist、自进化程序和Agent-Native Model接进同一条递归路线。其端到端自动化AI研究成果已于2026年3月正式发表于《Nature》。

仅上述已披露案例，融资金额已超过25亿美元，相关公司的已披露估值合计超过100亿美元。

这些公司技术不同、边界不同，甚至对「自我改进」的定义也不同。

但资本正在为同一个函数定价：

AI能力 → 自动实验 → 可验证结果 → 更强AI。

过去，AI公司的估值锚点是模型能力和用户规模。现在，一个新的变量正在进入定价模型：能力提升的速度，能否被系统自身持续加速。

RSI不再只是科幻

前沿实验室已经在自己的

研发线上看到它

Recursive Self-Improvement（RSI），递归自我改进，曾经更像一个关于「智能爆炸」的思想实验。

如今，它开始获得真实的生产数据。

Anthropic在《When AI builds itself》中披露，截至2026年5月，Claude贡献了其代码库中超过80%的合入代码，工程师日均合入量约为2024年的8倍；在小模型训练代码优化测试中，模型实现的加速也在一年内从约3倍升至约52倍。

OpenAI也在GPT‑5.6发布说明中直接引入RSI指标。研究人员已让模型参与故障诊断、训练系统优化、实验运行与结果分析；在衡量AI研发和模型优化能力的RSI Index上，GPT‑5.6 Sol较GPT‑5.5提升16.2个百分点。

这仍不是完整RSI。Anthropic称RSI尚未到来，OpenAI也仅称指标衡量「向RSI迈进的进展」。但趋势清楚：AI正从写代码的助手，走向执行实验、处理反馈并加速下一轮AI研发。

这正是RSI受到投资行业追捧的根本原因：一旦AI能够有效提升AI研发效率，今天的能力进步会加速明天的能力进步；研发效率不再线性增长，而可能形成复利。

AI4AI、Meta-Evolution和RSI，不是同一个概念

图1：AI4AI定义优化对象，Meta-Evolution描述经验反哺「改进者」的机制，RSI则要求更强的跨代递归闭环

热度越高，越需要把边界说清楚。

AI4AI（AI for AI）描述的是工作对象：让AI参与创造和优化AI。它可以写训练代码、改模型结构、搜索算法、优化Agent Harness，也可以设计承载AI的芯片。

Evolution 描述的是一次运行内的优化过程：AI根据反馈反复修改候选程序或系统，把当前方案变得更好。

Meta-Evolution 进一步改变了学习对象：系统不只保留最终产物，还把进化轨迹用于训练，让那个负责提出改进的模型本身变强。

RSI 则要求更强的跨代闭环：升级后的AI能够继续改进制造下一代AI的过程，并让这种能力跨代持续增强。

可以把三者的关系压缩成一句话：

AI4AI 回答「谁来做AI研发」；Meta-Evolution 回答「怎样让改进者本身变强」；RSI 追问「变强的改进者，能否继续制造更强的下一代」。

因此，不是所有AI4AI都是RSI，多跑几轮Agent也不是RSI。

从一次自动化实验，到真正的递归自我改进，中间缺少的是一套可执行、可验证、能够把经验送回模型的工程闭环。

这正是衔远科技 Frontis-MA 元智能体系列模型试图补上的位置。Frontis-MA1 此前已于 WAIC 2026首次亮相，衔远科技与清华大学团队持续推进模型训练与系统迭代，短短两周内，Frontis-MA1及其进化搜索性能继续提升。

本次，团队正式发布技术报告 《Frontis-MA1: Training an AI4AI Model towards Recursive Self-Improvement in Machine Learning Engineering》，通过元进化工作流训练且面向机器学习工程的元智能体 Frontis-MA1-35B 模型权重，以及贯通可扩展任务环境、强化学习训练与进化推理的全栈开源套件 OpenMLE。

先看最硬的结果：

• 同一推理框架下，Frontis-MA1-35B 将基座模型在 OpenAI 发布的 MLE-Bench Lite 上的平均奖牌率从 39.39%推高到 60.61%，绝对提升 21.22 个百分点；
• 加入跨任务先验与异步多GPU搜索后，Frontis-MA1-35B 与 OpenMLE-Evo-Max 增强进化框架组成的系统达到 71.21% 平均奖牌率、0.8126 人类排名，22个任务全部形成有效提交；
• 与原始 AIRA-Evo 相比，OpenMLE-Evo 让总模型Token下降 41.7%，每百万 Token找到「新最优」的效率反而提高 84.3%；
• 在 NatureBench Lite 的10项科学任务上，Frontis-MA1-35B 结合 OpenMLE-Evo，3项超越论文SOTA，7项达到论文SOTA。

图2｜Frontis-MA1-35B + OpenMLE-Evo-Max达到71.21%。橙色实心部分是标准OpenMLE-Evo下的60.61%，斜线部分是Evo-Max带来的增益。右图比较模型总参数量与成绩。

如果只把它理解成一次Benchmark刷榜，就低估了这项工作的野心。

Frontis-MA1真正押注的是一个更大的范式变化：

今天的大模型交付一份智力快照；未来的AI系统交付一条持续上升的能力曲线。

而决定曲线斜率的，不只是模型有多大，而是系统能否把每次行动的结果，变成下一次改进的资本。

不是再造一个程序员，而是训练一个AI研发者

Coding Agent 解决的是一个相对确定的问题：需求已经给定，代码能否通过测试。

机器学习工程Agent面对的，则是一片没有标准答案的实验场。

假设一家银行希望提升欺诈识别模型。Agent拿到的是数据、指标、计算预算和合规边界，而不是一张写着正确答案的试卷。它要检查数据泄漏，选择验证策略，处理类别不平衡，比较不同模型，启动训练，分析错误，再决定下一轮是调整特征、改损失函数，还是融合两条路线。

一份程序能跑，只意味着拿到了入场券。

真正的目标是，在有限时间和算力内，把一个0.71分的有效方案，持续推向0.75、0.80，直到逼近甚至超过人类专家管线。

这类Agent有四个鲜明特征：

• 必须动手。它不只输出建议，还要写代码、训练模型并提交结果；
• 必须等待。 一次行动可能数十分钟后才返回反馈，甚至只返回一个失败；
• 必须竞争。「正确」远远不够，它需要在连续指标上寻找更优解；
• 必须继承。 它要知道哪些改动真正有效，哪些失败值得记住，哪些路线可以组合。

如果说 Coding Agent 是在替人写代码，机器学习工程Agent是在替人进行一部分研究与工程决策。

这正是 AI for AI 最具体、也最残酷的试验场：AI不再谈论如何改进AI，它必须在真实执行中把AI改得更好。

从这个意义上说，Frontis-MA1 也体现了衔远创始人周伯文教授长期强调的 「通专融合」：它不从零训练另一个通用大模型，而是以 Qwen3.6-35B-A3B 的通用推理、编程与机器学习知识为起点，再通过专业任务环境、可验证反馈、后训练和进化搜索，把通用能力转化为机器学习工程能力。

自我反思不等于自我进化

今天的Agent很会「反思」。

它可以在一段文字里解释自己错在哪里，再生成一份看起来更周全的答案。但如果代码没有运行、模型没有训练、指标没有变化，这种反思没有支付任何现实成本，也没有通过现实检验。

没有可执行反馈，就没有进化，只有自我叙事。

机器学习工程尤其不相信语言上的自信。一次看似聪明的修改，可能导致数据泄漏；一套更复杂的模型，可能在小数据上严重过拟合；一条理论上优雅的管线，可能连显存都装不下。

OpenMLE 首先做的，不是让模型「想得更久」，而是为它建造一个无法糊弄的世界。

环境层 OpenMLE-Gym 将异构机器学习任务封装成统一的可执行任务包。公开输入与隐藏答案隔离，Agent提交的程序必须进入沙箱真实运行，再由任务内评测器给出分数。

图3｜约1.1万个Kaggle竞赛经过许可、可执行性和语义质量检查，最终留下2,240个竞赛任务。右侧是统一后的任务目录。

技术报告显示，OpenMLE-Gym包含 5,758个可执行任务：156个精选锚点任务、3,362个Kaggle数据集任务和2,240个Kaggle竞赛任务。

这5,758个任务并不只是一批数据。

它们是一座「经验工厂」：模型的每次判断都必须变成行动，每次行动都留下结果，每个结果都可能成为后续模型训练的信号。

从任务、训练到搜索：OpenMLE把三个断点接起来

图：OpenMLE-Gym、OpenMLE-ERL与OpenMLE-Evo构成从执行反馈、操作学习到长时程搜索的完整技术栈

OpenMLE的核心设计，是让训练时学到的动作，与推理时真正需要调用的动作保持一致。

整个系统建立在四类原子操作之上：

• Draft：从零生成完整初始方案；
• Improve：沿着已有强方案继续提升；
• Debug：根据真实报错修复执行失败；
• Crossover：组合两个候选方案中的互补设计。

OpenMLE-Gym提供可执行环境与经验来源；OpenMLE-ERL利用执行验证过的监督数据和在线强化学习，训练模型掌握四类可复用操作；OpenMLE-Evo再在推理阶段把同一组操作组合成长时程搜索。

团队最终构建了 26,259 条监督训练样本，包括 17,245 条完整方案，以及从高质量局部轨迹片段中筛选得到的 9,014 个进化步骤。

这些数据不仅保留最后的高分答案，还保留一次修改从哪个父方案出发、得到什么反馈、是否被最终方案继承。

训练与推理因此不再是两套语言。

这也是OpenMLE最值得同行关注的设计：

训练的最小单元，与进化搜索的最小单元对齐。

Loop会把历史越写越长，Graph让经验拥有谱系

大多数Agent系统依赖Loop Engineering：生成、执行、反馈、再生成。

任务短时，这很有效。任务一旦拉长，线性历史便开始失控。日志、代码、报错和反思不断堆进上下文，Agent似乎「记住了一切」，却越来越难回答一个关键问题：到底是哪次修改带来了提升？

OpenMLE-Evo把这条不断变长的Loop，重构成一张可以选择、回溯和交叉的进化图。

每个候选程序及其执行结果构成一个节点，其中既包括成功评分的方案，也包括带错误签名的失败尝试；每次修改都记录操作类型、父节点、执行结果与评测分数。强路线可以继续生长，失败路线可以留下警告，两条不同路线还可以产生新的组合。

它不再把历史当作一段聊天记录，而是把历史当作程序谱系。

每个执行节点还会被压缩成结构化Experience Card，记录方案家族、相对增益、全局位置以及成功和失败证据。下一次操作只提取有限、相关的祖先与兄弟经验，而不是把整棵搜索树重新塞回上下文。

这就是从Loop Engineering走向Graph Engineering的关键：不只是多开几条分支，而是让分支之间能够留下证据、选择亲本、定向重组。

图：在nomad2018材料性质预测任务中，定向Crossover将互补分支重组，held-out RMSE由0.06096降至0.05410

论文中的nomad2018案例很直观：原始AIRA-Evo沿一条分支连续Debug七次；OpenMLE-Evo则保留了physics-informed GNN与稳健几何解析器两条互补路线，并从失败节点中提取缓存类型错误、特征维度不匹配等负面证据，最终在第81步发起定向Crossover，held-out RMSE再降低11.3%。

失败不再只是一条被丢弃的记录，而是下一次选择亲本和组合路线的证据。

需要说明的是，这是用于展示机制如何工作的同任务轨迹案例，而不是对Crossover单一因素的受控消融；端到端差异同时包含亲本选择、定向记忆和上下文构造的作用。

最关键的一步：不只进化程序，还要进化「进化者」

一条优秀的实验轨迹，通常会随着项目结束被归档。

OpenMLE则在训练工作流中，把经过执行验证的轨迹转化为监督学习与强化学习信号，用来增强模型执行Draft、Improve、Debug和Crossover的能力；训练后的Frontis-MA1再被部署进OpenMLE-Evo，执行长时程搜索。

第一轮进化，改进的是程序。

当这些可验证轨迹反过来训练提出修改的模型，改进的对象便开始从solution转向improver。

这就是论文所讨论的 Meta-Evolutionary Step：它不是完整RSI的同义词，而是从Evolution迈向RSI的关键工程步骤。当前工作验证了「进化经验训练改进者、训练后的改进者进入搜索」的一轮工作流，但尚未形成部署后自动触发下一代训练的连续跨代闭环。

如果把这套方法压缩成一条Recipe，就是：

Ground → Evolve → Compile → Consolidate → Deploy

建立可验证环境 → 搜索更优程序 → 将轨迹编译为结构化经验 → 把经验固化为模型能力 → 将训练后的模型部署到进化搜索。

39.39% → 60.61% → 71.21%：模型增益与搜索增益可以叠加

图：相同OpenMLE-Evo隔离模型增益，OpenMLE-Evo-Max则展示模型与增强搜索组合后的系统上限

论文在MLE-Bench Lite官方22个任务上进行评测。除特别说明外，每个配置独立运行3次，每个任务的沙箱预算固定为 12 个RTX 4090 GPU-hours，每个 GPU 显存上线为 12GB。

保持推理框架不变：

• Qwen3.6-35B-A3B：39.39% Medal Average，Human Rank 0.5828，平均有效提交19.67/22；
• Frontis-MA1-35B：60.61% Medal Average，Human Rank 0.7647，平均有效提交21.67/22。

也就是说，execution-grounded后训练在相同Harness下带来 21.22个百分点的绝对提升。

OpenMLE-Evo-Max进一步加入跨任务先验和异步多GPU搜索，同时保持任务内总沙箱计算预算不变。Frontis-MA1-35B与OpenMLE-Evo-Max组成的系统由此达到 71.21% Medal Average、0.8126 Human Rank，并在22/22个任务上产生有效提交。

在论文同一张系统结果表中，GPT-5.5+Codex 为 68.18%，GPT-5.6 Sol+Codex 和 Kimi K3+Claude Code 均为72.73%。

这并不意味着「小模型战胜所有大模型」。不同模型与通用 Coding Agent 适合做系统级参照；严格归因模型训练效果，仍应看 39.39% 与 60.61% 的同框架对照。

更准确、也更有分量的结论是：

一个专门学习如何改进AI的35B级模型，配合与训练方式一致的进化系统，已经进入前沿通用模型系统的竞争区间。

同样的趋势还在另一条30B Backbone上得到复现：Qwen3-30B由34.85%提升至Frontis-MA1-30B的53.03%，再通过OpenMLE-Evo-Max达到66.67%。

这并不是宣称35B专业模型能够在所有任务上取代前沿通用模型，而是说明通用基座经过专业环境、可验证后训练和任务搜索的系统化转换，可以在目标任务上进入前沿系统的竞争区间。

这也是「通专融合」在Frontis-MA1中的技术落点：通用基座提供广度与迁移起点，专业环境、执行反馈和进化训练把能力压到足够深，并用受控实验检验这种能力转换是否真实发生。

通用能力决定起跑线。

专业环境、模型、执行器、记忆与搜索共同构成的闭环，正在决定能力兑现的深度与长期斜率。

真正的复利，不只是分数更高，而是每次改进更便宜

图：同一模型、相同随机种子与12小时预算下，OpenMLE-Evo用更少Token发现更多新最优

如果RSI只是「用更多算力搜索更久」，它很难形成可持续的复利。

新版报告因此补上了一组关键效率实验：固定同一个Frontis-MA1-35B Checkpoint、相同Seed和12小时任务预算，对比OpenMLE-Evo与原始AIRA-Evo，覆盖66个匹配Task-run。

结果显示：

• 总模型Token：129.3M → 75.3M，下降41.7%；
• Prompt Token：83.5M → 41.5M，下降50.3%；
• 评估节点：3,430 → 3,004，只下降12.4%；
• 产生「新最佳验证结果」的节点：229 → 246，反而增加7.4%；
• 每百万模型Token的新最优发现：1.77 → 3.27，提高84.3%；
• Improve操作产生新最优的比例：4.73% → 9.36%，提高98.1%。

Token下降远大于节点数下降，说明节省并不主要来自「少探索」，而是来自每次探索更便宜、更聚焦。

这可能是比「上下文越长越好」更值得关注的工程结论：

经验的价值，不在于被完整保存，而在于能否以正确的结构，在正确的决策点被重新调用。

离开Kaggle之后，它还能进化吗？

图：固定框架只换模型、固定模型只换框架，两组对照均显示正向迁移

如果MA1只学会了机器学习竞赛的套路，那么「AI for AI」仍然只是一个过大的标签。

团队因此把它带进NatureBench。

NatureBench从Nature系列同行评审论文中构建了90个容器化科研任务，要求Coding Agent在隐藏测试集上复现或超过论文报告的SOTA。此次评测采用覆盖六个科学领域的10任务Lite子集，关闭网页搜索，每个任务预算为4小时。

固定OpenMLE-Evo适配器，只更换模型：

• Qwen3.6-35B-A3B：2/10 Surpass-SOTA，5/10 Match-SOTA；
• Frontis-MA1-35B：3/10 Surpass-SOTA，7/10 Match-SOTA。

固定Qwen3.6-35B-A3B，只更换搜索框架：

• 原始AIRA-Evo：1/10 Surpass-SOTA，2/10 Match-SOTA；
• OpenMLE-Evo适配器：2/10 Surpass-SOTA，5/10 Match-SOTA。

10个任务当然不足以证明「通用科学发现」。但它给出了一个关键迁移信号：在机器学习工程轨迹中训练出的改进能力，以及经验驱动的长时程搜索机制，都开始跨出竞赛分布。

对同行而言，这比多赢一块奖牌更值得追问。

从RSI热潮回到工程

真正稀缺的是Recipe

递归自我改进重新成为行业中心词之后，最容易出现的是宏大宣言，最缺的却是实践经验。

Frontis-MA1当然还没有实现完整RSI。模型与外部进化框架仍然分离，OpenMLE-Evo的大部分逻辑尚未成为系统自动改写的对象；任务、操作空间、评测规则和模型更新流程目前仍由人定义；奖励也主要围绕结果分数，而不是科研假设质量、研究策略或长期价值。

但这份工作的价值，恰恰在于没有跳过这些「不够科幻」的工程问题。

它最终沉淀出的，不是一长串原则，而是三条可复用的Recipe：

第一，可执行反馈，让生成成为进化。

第二，训练与推理共享操作空间，让「改进」成为可训练能力。

第三，把历史压缩成决策证据，同时优化能力上限与单位计算的进步。

如果预训练解决的是让AI「读过世界」，Meta-Evolution试图解决的，就是让AI从改造世界的后果中继续学习。

作为本次发布的后续，衔远科技正式发起 OpenRSI by Frontis 开放计划：把「AI改进AI」从宏大叙事变成可执行、可测量、可复现的工程问题。

OpenRSI 将沿三条技术路线持续推进：训练能够内化研究过程的AI4AI通用基础模型；构建能够判断「哪个方向值得继续投入算力」的AI4AI世界模型与研究「品味」奖励；以开放共建的方式，把真实世界的研究任务、环境与评测转化为可执行、可迁移、可训练的规模化管线，让搜索产生经验、经验进入训练、训练后的模型再回到搜索与评测。

OpenRSI的成功标准不是某个一次性的Benchmark，而是每一代系统都能以可验证、可归因的方式，让下一代AI研发更快、更省、更强——把 改进速度本身 变成优化对象。在此基础上，OpenRSI也将探索AI4AI模型与技术向现实产业任务的迁移，通过「通专融合」，把通用模型的推理与生成能力转化为行业中可评测、可交付、可持续进化的专业能力。

这或许才是Frontis-MA1从WAIC首次亮相走向本次正式发布，最值得关注的变化：

它交付的不是一个关于RSI的预言，而是一台已经开始运转的、生产「改进」的机器。

过去，AI产业依靠人监督AI、构建AI、优化AI。

未来，人类仍然定义目标、边界与责任，但越来越多具体的改进工作，将由AI完成。

模型不再只是生产线末端的一件产品。

它开始走回生产线，成为制造下一代智能的参与者。

技术报告：https://arxiv.org/abs/2607.28568

GitHub链接：https://github.com/FrontisAI/OpenRSI

HuggingFace链接：https://huggingface.co/collections/FrontisAI/frontis-ma1

参考资料：

Anthropic Institute, When AI builds itself 

TechCrunch, DeepMind’s David Silver just raised $1.1B to build an AI that learns without human data 

TechCrunch, What happens when AI starts building itself? 

Ricursive Intelligence, Raises $300 Million Series A at $4 Billion Valuation 

Periodic Labs, Building AI scientists and autonomous laboratories 

Sakana AI, Introducing the Recursive Self-Improvement Lab 

Nature, Towards end-to-end automation of AI research

文章来自于微信公众号 “新智元”，作者 “新智元”