The Trinity 多模态递归自我改进(RSI)框架正式提出能力驱动的全新进化范式,不再把单个任务当作进化单元,而是把不同任务背后相通的底层能力作为迭代核心,解决传统 RSI 方案容易任务过拟合、跨任务迁移差、环境搭建成本高的痛点。传统的 RSI 递归自改进大多是围绕单个任务闭环迭代,做完 A 任务优化出来的策略,换到 B 任务基本没法复用,每新增一类任务都要重新搭建验证环境、重新采集数据,任务一多成本快速上涨,模型学到的只是对应任务的表面技巧,而不是通用能力。The Trinity 框架拆分出 Creator、Explorer、Evolver 三个角色,把零散任务重新梳理成层级化能力树,搭配能力驱动的 Real2Sim2Real 链路,在仿真环境里训练通用能力模块,再回落到真实任务验证迁移效果,迭代得到的能力模块可以跨任务继承、组合复用,在 28 个训练基准、18 个未见过的测试基准上都拿到明显提升,同时在真机具身机器人任务上验证了迁移潜力。
新旧 RSI 范式对比表
| 对比维度 | 传统任务驱动 RSI | The Trinity 能力驱动多模态 RSI |
|---|---|---|
| 进化基本单元 | 独立任务 | 任务背后共享的底层能力 |
| 知识复用性 | 任务间策略隔离,很难迁移 | 能力模块可继承、组合,跨任务复用 |
| 环境构建方式 | 为每个任务单独定制环境 | 提取共性能力,生成统一仿真学习环境 |
| 容易出现的问题 | 任务过拟合、泛化弱、环境搭建工作量大 | 需要做好能力抽象,能力划分依赖轨迹挖掘 |
| 测试表现 | 训练任务效果好,陌生任务下滑明显 | 训练集提升 34.1 分,未见过任务提升 26.2 分 |
| 适配场景 | 单一固定任务 | 多模态 Agent、具身机器人、多类交互任务 |
The Trinity 三大核心角色清单
- Creator:负责抽象同类任务的公共能力需求,生成可验证的仿真学习环境,支撑 Real2Sim2Real 训练
- Explorer:沿着能力树迭代可复用的能力模块,选择性继承已验证模块,形成 Harness 树
- Evolver:从执行轨迹挖掘能力关联,把任务树重构为层级化能力树,配套能力感知路由选择合适模块
整套迭代流程
- 轨迹采集:收集 Agent 在各类任务中的执行轨迹,记录成功与失败样本
- 能力重构:Evolver 分析轨迹,把任务归类整理,搭建层级化能力树
- 仿真生成:Creator 针对同一个能力节点,提取共性约束,搭建仿真环境
- 能力演化:Explorer 在仿真环境迭代模块,经过验证之后存入 Harness 树
- 路由调度:新来任务时,能力感知路由自动挑选适配的能力模块组合
- 真实验证:在真实任务上测试迁移效果,结果回流继续迭代能力树
当前方案局限
- 能力抽象难度高,复杂耦合任务不容易拆出清晰独立的底层能力
- 仿真和真实世界存在间隙,部分具身任务迁移会出现效果衰减
- 能力树规模持续扩大之后,模块路由的检索与调度开销会上升
- 目前还属于前沿研究阶段,大规模工业落地案例较少
【常见问题】
问题 1:The Trinity 提出能力驱动的多模态 RSI 新范式,和传统任务驱动 RSI 最大区别是什么?
回答 1:The Trinity 提出能力驱动的多模态 RSI 新范式,传统 RSI 以任务为单位迭代,不同任务的策略很难互通;这套新范式把底层能力作为进化单元,能力模块跨任务共享继承,陌生任务泛化更好。
问题 2:The Trinity 提出能力驱动的多模态 RSI 新范式,Creator、Explorer、Evolver 三个角色分别干什么?
回答 2:The Trinity 提出能力驱动的多模态 RSI 新范式,Creator 生成仿真环境,Explorer 迭代演化能力模块,Evolver 挖掘轨迹、构建层级化能力树,三者配合完成能力驱动自进化。
问题 3:The Trinity 提出能力驱动的多模态 RSI 新范式,Real2Sim2Real 在框架里起到什么作用?
回答 3:The Trinity 提出能力驱动的多模态 RSI 新范式,依托能力驱动的 Real2Sim2Real,在仿真环境学习通用能力,再回到真实任务验证迁移效果,降低真实环境试错成本。
问题 4:The Trinity 提出能力驱动的多模态 RSI 新范式,这套框架在机器人上有什么价值?
回答 4:The Trinity 提出能力驱动的多模态 RSI 新范式,机器人抓取、装配等很多任务共享感知、力控、规划底层能力,该范式可以让机器人学会的能力跨工位、跨任务复用,减少重复调试。
【参考资料】
[2026-11-07](多模态 RSI 框架开源,让 Agent 按能力而非任务自进化)智猩猩
[2026-10-26](The Trinity: Capability-Driven Recursive Self-Improvement for Multimodal Agents)arXiv
[2026-10-28](Beyond Task-Based Scaling: The Shift Toward Capability-Driven AI Evolution)Vesper
[2026-10-31](The Trinity 多模态自进化框架解读)Apple Podcasts
【免责声明】
本文内容基于 arXiv 论文、行业科技媒体公开解读整理,The Trinity 能力驱动多模态 RSI 新范式属于前沿学术研究成果,实际落地效果、稳定性受任务类型、仿真真实间隙、能力抽象方案影响,内容仅作为技术资讯参考,不构成项目落地、采购投资建议。
