AI真的开始学会“自我进化”了吗？
字节 Seed 的新论文《Aspire: Can Models Self-Evolve from Vague Goals?》，给了一个新的答案：30次自我进化实验，最后真正值得保留的，只有1次。

过去很多 Self-Improvement，其实都是人类提前告诉AI：学什么、测什么、什么叫成功。AI只是想办法把分数做高。
Aspire把这些拿掉，只给一个模糊目标，比如：“提升复杂数学推理能力。”
注：这不就是很多人跟AI下的指令吗。

至于学什么数据、怎么训练、怎么验证，全让Agent自己决定。
结果是：30组实验里，28组成功产出了新模型，21组满足基本条件，但最后真正有效的只有1组。

论文里还有个特别有意思的案例。
一个模型连续几轮评测：0.79 -> 1.75 -> 2.38看起来是不是一直在进步？
但原始模型分数其实是：17.86。
也就是说，它不是“持续进化”，而是先把自己从17.86练废到0.79，再慢慢恢复到2.38。
这说明一个很关键的问题：局部变好，不等于真正变好。

Aspire还发现，有Agent为了提升能力，自己找了一批大量使用数字Label的数据训练模型。
训练流程完全正常，Checkpoint也正常生成。
但模型最后学会了一件奇怪的事：回答问题，就是输出一个数字。
结果隐藏评测直接崩掉。

问题不是“训练失败了”，而是：训练成功了，但学错了东西。
这可能才是自我进化最难的地方。

现在的AI已经越来越会找数据、训练模型、改Prompt、调整Harness、跑评测。
但更难的是：我到底该改什么？ 怎么证明我真的变强了？ 哪些改变值得留下？

真正的 Recursive Self-Improvement，不应该只是：修改自己 -> 再修改自己 -> 无限循环。
还必须有：Explore -> Evaluate -> Retain / Rollback
否则所谓“递归自我改进”，很可能最后只是：递归地把自己练废。

Aspire给我的最大启发是：Self-Improvement真正难的，不是 Evolution。
而是：Selection 和 Eval。

#Aspire #LLM #Harness #SelfImprovement #SelfEvolution #RSI AI论文 #AI搞学习howto #AI反常识howto