OpenRSI 解剖：把「改进速率」设为优化目标——开源递归自改进全栈的第一份工程蓝图
- 仓库：FrontisAI/OpenRSI，665★/58 fork（09-14 时点），Python，CC BY-NC 4.0（非商用），1.5 个月 - 机构：Horizon Research × Frontis.AI × 清华大学；论文通讯张开颜（Kaiyan Zhang），项目负责人 Junlin Yang…
一、项目身份
- 仓库：FrontisAI/OpenRSI，665★/58 fork（09-14 时点），Python，CC BY-NC 4.0（非商用），1.5 个月
- 机构：Horizon Research × Frontis.AI × 清华大学；论文通讯张开颜（Kaiyan Zhang），项目负责人 Junlin Yang、Che Jiang，作者名单含周伯文（Bowen Zhou）——上海 AI Lab 主任兼 Frontis.ai 创始人（2021.12 创办）
- 论文：《Frontis-MA1: Training an AI4AI Model towards Recursive Self-Improvement in Machine Learning Engineering》，07-30 v1、08-22 修订；姊妹作 NatureBench（arXiv 2606.24530）、RSI 综述（06-25，openreview）；EEMA 中稿 EMNLP 2026 Main
- 组件：OpenMLE-Gym（5,758 个质量门控可执行任务）+ OpenMLE-ERL（算子学习：SFT 26,259 样本 + RL）+ OpenMLE-Evo（长时程搜索）+ Sandbox（自托管分布式执行）
二、海关裁决表
| 声明 | 核验 | 裁决 |
|---|---|---|
| MLE-Bench Lite 上 39.39% → 60.61%（+OpenMLE-Evo） | 论文表 1：Qwen3.6-35B-A3B base 39.39%±5.67 → MA1-35B 60.61%±7.73，12 GPU·h/任务，RTX 4090 限 12GB | ✅ |
| +Evo-Max 达 71.21%，超 GPT-5.5+Codex | 71.21%±8.57 vs GPT-5.5+Codex 68.18%（+3.03）；GPT-5.6 Sol Codex 与 Kimi K3 均为 72.73% | ✅ 口径准确 |
| Evo-Max 靠堆算力？ | 原文：异步多 GPU 并行但「总沙箱计算预算不变」（AIRA 2 启发） | ❌ 无堆卡，是并行化 |
| 训练数据背题？ | 精确消息级去重 + 对所有评测基准去重；Evo-Max 蒸馏先验时排除全部 MLE-Bench 来源 | ✅ 有防背题设计 |
| 30B 可复制？ | Qwen3-30B-A3B-Thinking base 34.85% → MA1-30B 53.03%（+18.18）→ +Evo-Max 66.67% | ✅ |
| 665★ 热度 | HN 08-03 仅 5 分 0 评，中文科技媒体 08-02 两篇（知乎「清华系反手开源」/新浪把 Jeff Dean 离职创业并题），arXiv 被引 2 | ✅ 学术圈热、大众圈冷 |
三、五层解读
1. 第 0 层：改进速率本身成为优化目标
README 的加粗引语值得单独抄一遍：「OpenRSI makes the rate of improvement itself an optimization target.」 本账号的自改进栈已铺了六层——权重（Ornith）→经验（CoE）→代码（Metan）→harness 运行时（Cordis）→知识存储（Mobius）→方向感（HGM 的 CMP + HarnessOpt-Bench 的方向感评测器）。OpenRSI 不是往栈里加第七层，而是把整条栈的导数设为目标函数：每代 AI 研发要「faster, more efficient, more capable，且可验证、可归因」。它的三大官方路线里第二条原话是「World models and research taste that identify where additional compute is worth spending」——方向感层第一次写进开源基建的路线图，与 HGM 的 CMP 价值函数、HarnessOpt-Bench 的「优化能力=独立能力轴」在词汇层面会师。机制阶梯（Evolution → Self-Evolution → Meta-Evolution → RSI）与 Metan 的元深度、HGM 的自改进树同谱系，而它的自我定位很克制：「从 Meta-Evolution 起步，不声称通用 RSI 已解决」。
2. 四算子：循环的动作本身可训练
Draft / Improve / Debug / Crossover 四个原子算子，同一套动作空间既被 execution-grounded SFT+RL 训练，又被组合成推理时的长时程搜索——「训练-推理对齐」不是对齐 prompt 格式，是对齐动作原语。「循环>X」谱系（88/12 循环>工具、85% 循环>反馈类型、72/15 conditioning>code、CMP>当前分数、搜索广度>反馈深度）在此拿到结构升级版：以前比较的是「有没有循环」，现在训练的是循环里每一步怎么走。经验载体第四形态（optimizer LLM 内化优化策略）也在此拿到最完整的工程化：HarnessOpt-Bench 里优化器是通用模型在 harness 代码空间裸搜，MA1 是专为优化而生的后训练模型——「优化能力=独立能力轴」的直接产业化。
3. model–harness 2×2：HarnessOpt-Bench 的开源实践版，外加一个反转
论文做了本账号等了很久的受控消融。分布内（MLE-Bench Lite）：换模型 +21.22 分（39.39→60.61），换搜索配置 +10.6 分（60.61→71.21）——模型>框架，与 HarnessOpt-Bench 的「model choice 1.8×>harness choice」同向。但 held-out（NatureBench Lite，Nature 族论文 SOTA 复现）反转：框架固定换模型 +20（50→70），模型固定换框架 +30（20→50）——跨域时 harness 的贡献更大。合理解读：后训练增益绑定训练分布，harness 增益来自搜索机制本身、更可迁移。这给「优化能力可迁移吗」补了一条边界：模型内化的优化策略是局部的，harness 结构化的搜索是全局的。
4. harness 矩阵：通用搜索是公共乘数
最有信息量的表是附录那张 model–harness 矩阵：同一 OpenMLE-Evo 下，MiniMax M3 59.09%、Kimi K2.6 66.67%、Grok-4.5 65.15%、LongCat 56.06%、豆包 56.06%、DeepSeek-V4-Pro 54.55%……十来个前沿模型被同一个 harness 拉进 51-67% 的窄带，而 harness 级对照显示 OpenMLE-Evo 对 Claude Code/Codex 全面占优、对原版 AIRA-Evo 同种子同预算 53.03→60.61。GLM-5.2+Evo-Max 66.67%（Human Rank 0.8164 全场最高）但仍低于 MA1-35B+Evo-Max 的 71.21%——「专用后训练模型 × 专用 harness」的叠加打败「更大的一般模型 × 同款 harness」。harness 是公共乘数，专用模型是私有加成，两者可复合。
5. 验证带宽经济学的三处原文级呼应
其一，原文白纸黑字：「Verification cost must shape collection and training」——预算自适应 SFT 在 accepted-example 配额或执行上限即停，把预算留给稀疏成功任务（案例配额卡脖子的工程解法写进了训练管线）；异步 RL 完成即入组、不等最慢作业。其二，OpenMLE-Evo 对比原版 AIRA-Evo（同种子同 12h 预算、66 个 task-run）：总 token 129.3M→75.3M（-41.7%）、prompt token -50.3%，而评估节点只降 12.4%——省的是每步的贵接口调用，不是提前躺平。其三，长时程机制的定量拆解：Improve+Crossover 贡献 85% 的总验证增益，先 Debug 保可行、Crossover 存分支互补证据、Improve 再升级融合模型——「分支证据积累+结构重组」对抗「反复修同一个程序」，又是一个「重组>重试」的循环内部证据。验证集 68.18% → 测试集 71.21% 不降反升，说明长时程搜索没有过拟合验证信号。
四、诚实边界（Limitations 五条，条条是主线暗号）
论文第 8 节自认五条边界，最重的一条：「The system is better equipped to optimize solutions than to judge which ideas deserve to be pursued.」——当前信号只测「方案能不能跑、分多高」，判断不了研究方向是否有前景、可泛化、值得再投算力。这正是方向感层的缺失自认（CMP/research taste 是它自己列的下一步）。其余四条：进化系统本身仍是固定物（「把进化系统本身变成进化对象」=二阶化待做）；agent 只改进外部 ML 工件、未参与改进 LLM 自身；经验卡记录大量元数据但父选择只用三因子（质量/父相对改进/方法族新颖度），大部分证据闲置；外部进化 harness 限制了模型自主行动范围。另需注意：CC BY-NC 4.0 非商用许可；Evo-Max 的经验先验来自公开竞赛工件蒸馏；665★ 无第三方独立复现报道；MLE-Bench Lite 仅 22 任务、五折方差 ±8.57 分——71.21% vs 72.73% 的「逼近 GPT-5.6 Sol」在误差棒内，口径应读作「同档」而非「超过」。
五、可打脸预测
12 个月内：①「训练-推理同构算子」被至少两个开源 agent 框架采纳（把 SFT/RL 动作空间与搜索原语统一）；②NatureBench 类「Nature 族 SOTA 复现」基准成为 RSI 论文标配 held-out（已有 held-out 迁移先例）；③OpenRSI 出现「进化系统本身可进化」的二阶版本（README 路线图已预告）。反向打脸：若 35B 级 AI4AI 模型一年内没被任何工业管线采用，说明 CC BY-NC + 学术验证距离商用信任还差一个数量级。
*核查备注：GitHub API（仓库元数据/贡献者/文件树）+ README 全文 + arXiv HTML 全文（2607.28568）+ HN Algolia + 中文报道两篇，2026-09-14 凌晨实抓。主表数字逐条对照论文表 1 与附录矩阵；「总预算不变」原文核实于 6.1 节。素材海关形态：论文+开源仓库双源交叉，零转述膨胀。*