Flex-RSI 基准:18 个前沿模型跑近 3800 轮自我改进
_vztu · x · 2026-11-15
Flex-RSI 基准测试 AI 智能体能否通过改写自己的代码、工具、prompt 和工作流来提升表现（模型权重固定）：覆盖 18 个前沿模型、24 个任务（机器人控制、3D 重建、推理、视觉创作），共 188 次运行、近 3800 轮自我改进。
关键发现：
- 「构建」比「回答」更能拉开差距：当智能体需要构建程序、机器人策略或 pipeline 时收益最大，同起点的模型最终差距悬殊
- 反馈质量是瓶颈：开源权重模型在分级反馈下能进步，但只有成败二元反馈时常常停滞——RoboCasa 上闭源模型的中位验证收益为 51.2 分，开源模型明显落后
这是少见的系统性测量「智能体自我改进上限」的工作。
「编程与Agent」频道最新
- 两天零手写代码：Claude Code 打造可劫持敌机的浏览器机甲游戏 — vinishkapoor · 2026-11-15
- 用户报告 Codex 一整天的对话记录消失，重启应用也无法找回 — SecretEmployee7612 · 2026-11-15
- 开发者用 MCP 服务器让 Claude 自动生成 FanDuel/DraftKings 阵容 — dfsstudio · 2026-11-15
- 开源 Cowork 编排器：Claude 限流时自动切换本地模型兜底 — Less_Release_1977 · 2026-11-15
- Claude 听不见音乐？作者当适应度函数共创 acid techno 单曲 — ColossalCosci · 2026-11-15
- 开发者实测：Cursor 无人值守连续工作一小时盯流程自动纠错 — NickPassig · 2026-11-15