Meta^n 研究：通过递归涌现深度实现 AI 自我改进
rohanpaul_ai · x · 2026-08-30
明尼苏达大学与首尔大学提出新方法 Meta$n$，探索 LLM Agent 的递归自我改进。传统方法通常固定元层级或直接自我编辑，导致元深度受限（约 2 层）且存在不稳定性。Meta$n$ 保持改进操作 $\Omega$ 固定，将其反复应用于自身输出，读取下层的代码和追踪记录，以此生成新的预处理层和辅助库。
- 核心机制：操作不变，输入递增，每层基于前一层的高维视角进行推理。
- 性能表现：在两个主干模型上，Meta$n$ 在所有 8 个基准测试家族中均超越先前的自我改进 Agent。特别是在 ARC-AGI-2（旨在抵制技能记忆化）测试中，它是唯一得分非零的系统。
- 发现：递归带来的收益主要源于层与层之间传递的条件信息；尽管没有预设角色，但不同层在深度增加时涌现出了 distinct roles（不同职责）。
所属事件:Meta^n 递归架构让 AI Agent 自我改进(3 条相关)→
「研究」频道最新
- 观点：越狱发现比越狱防御更 principled — nabla_theta · 2026-08-31
- 论文揭示 GRPO 梯度冲突隐忧，提贝叶斯优化方案 — kastnerkyle · 2026-08-31
- AI 辩论中的“民间笛卡尔主义”解析 — AndyMasley · 2026-08-31
- 菲尔兹奖得主谈 AI：前沿模型在数学任务上已超越我 — littmath · 2026-08-31
- 有人探索在 DSPy 框架中优化 LLM 目标检测的 Prompt — lateinteraction · 2026-08-31
- Anthropic 仅用 2400 样本微调 Opus 4.8 — ChrisGPT · 2026-08-31