新版 RSI 优化器正式上新，最核心的改动就是加入经验继承模块，打破过去同类优化器每次启动都要从零摸索调参策略的局限，它可以把之前全部训练、调优、搜索过程里经过验证的有效方案、失败踩坑记录、参数调整策略打包存入经验档案，在下一轮新任务、新模型训练启动的时候自动读取复用，不用从头重复试错，不管是 PDE 方程求解、大模型训练调优，还是智能体的自进化实验，都能缩短收敛时间，拿到更好的最终效果，这个优化器属于可插拔式递归自我改进智能体，不需要改动底层大模型权重，直接外挂接入训练流程，也是近期 RSI 方向工程落地里面很受关注的更新点。传统优化智能体最大短板就是单次任务闭环，跑完就清空策略，每开启一组新实验都要重新探索，消耗大量算力和时间，而且之前摸索出来的好用调参脚本、决策流程没办法沉淀；这次更新专门设计归档库，把经过评估验证的策略、代码库、操作手册全部持久保存，元智能体还会根据新任务反馈持续改写这套策略，让优化能力跟着任务量越用越强。上手使用的时候，开发者可以选择从零初始化，也可以加载历史经验包，同时支持开启跨任务迁移，系统会自动匹配相似场景的历史方案，再做局部微调适配。
- 新版 RSI 优化器核心更新清单
- 经验继承引擎：独立归档库，保存验证通过的优化策略、候选代码、执行轨迹、失败案例
- 跨任务策略迁移：新任务启动时检索相似历史经验，优先使用已经被验证有效的路线
- 元智能体迭代：根据本轮实验结果更新策略档案，持续进化决策逻辑
- 可插拔接入：不需要修改基座大模型，直接接入训练流水线
- 多代演化支持：支持连续多轮自进化，在迭代过程持续拉高基准得分
- 新旧版本对比表
- 经验继承完整运行流程
- 任务执行阶段：优化智能体尝试多种调参方案，记录全部运行指标、误差数据
- 评估筛选阶段：评估模块过滤虚假收益，只把验证有效的方案存入经验库
- 新任务匹配阶段：收到新目标，检索经验库，召回高相关的历史操作手册
- 局部微调阶段：在历史方案基础上做小范围探索，适配当前任务特性
- 归档更新阶段：本轮产出的新有效策略合并入库，丰富后续可用经验池
- 实测效果亮点
| 项目 | 旧版 RSI 优化器 | 上新带经验继承版本 |
|---|---|---|
| 任务启动方式 | 每次从零探索，无历史记忆 | 可选加载历史经验包，复用成熟策略 |
| 算力消耗 | 试错量大，收敛慢 | 减少重复试错，收敛速度提升 |
| 策略留存 | 单次任务结束策略丢失 | 结构化归档，长期沉淀资产 |
| 跨任务适配 | 很难迁移调参经验 | 支持相似任务之间策略迁移 |
| 适用场景 | 单组独立对照实验 | 连续迭代、批量训练、长期自进化 |
在 Burgers PDE 测试任务中，相比固定策略基线，搭配经验继承的 RSI 优化器能够把平均相对 L2 误差大幅压低；在演化测试套件上，多代迭代之后综合评分稳定上涨，对于没见过的陌生任务，迁移过来的经验同样能够带来明显收益，只是迁移效果会随着任务差异变大出现波动。
简单来说，这次上新把 RSI 优化器从 “一次性试错工具” 改成了可以持续积累的学习系统。经验继承不是直接复制全套方案硬套，而是把过往踩坑和成功的思路沉淀下来，作为新任务的起点，长期跑批量训练、持续自进化场景的收益最明显。
常见问题
问题 1：上新的 RSI 优化器加入经验继承，是不是直接照搬旧任务全部参数？
回答 1：上新的 RSI 优化器经验继承不是直接照搬全套参数，它检索历史成熟策略作为起点，再针对当前任务做微调适配，避免硬套带来适配失败。
问题 2：拥有经验继承能力的新版 RSI 优化器，使用的时候需要修改底层大模型吗？
回答 2：拥有经验继承能力的新版 RSI 优化器属于可插拔组件，不需要改动底层大模型权重，直接外挂接入训练流水线即可。
问题 3：具备经验继承的新版 RSI 优化器，适合什么样的研发场景？
回答 3：具备经验继承的新版 RSI 优化器适合 PDE 求解、大模型训练调优、智能体递归自进化、批量对照实验这类需要反复调参迭代的场景。
问题 4：开启经验继承之后，会不会让 RSI 优化器陷入旧方案、失去探索能力？
回答 4：不会，开启经验继承的 RSI 优化器会以历史方案作为起点，同时保留独立探索分支，既复用成熟经验，也会持续尝试新优化路线。
参考资料
[2026-10-27]（聊一聊递归自我改进 (RSI)）腾讯云开发者社区
[2026-10-23]（openJiuwen 从双维度 RSI 到 InferRSI 推理自优化）网易订阅
[2026-10-19]（谷歌开源 RSI 新成果，Harness 可沉淀经验）36 氪
[2026-10]（RSI-Opt: Recursive Self-Improvement Optimizer Agents For Model Training）arXiv
[2026-09-14]（办公智能体也能 “自我打磨”?RSI 框架落地 WorkSwarm 智能体）中国日报网
免责声明
本文全部信息来自公开论文、技术社区资讯整理，仅作为 AI 优化技术科普参考，不构成模型训练、智能体开发、算力采购的落地决策建议；RSI 优化器经验继承效果受任务类型、评估机制、经验库质量影响，迁移性能存在波动，全部官方实现、代码与指标以项目仓库和论文最新版本为准。
继续发送标题，我继续按这套格式产出。