مقاله‌ی arXiv:2610.13912 · نگه‌داشته برای بعد
RSI-Anything: Unlocking Recursive Self-Improvement with World Models
خودبهبودی بازگشتی در هر حوزه با مدل‌های جهان پیش‌بینی‌کننده، از ترمیم کد تا بهینه‌سازی واکنش شیمیایی
- تاریخ
- (۱۷ مهر ۱۴۰۵) 2026-10-09 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Taoyong Cui, Pinxian Zeng, Wanghan Xu, Hao Xiao, Shuhan Xue, Qiang Gao, Wanli Ouyang, Pheng Ann Heng, Zhenfei Yin, Yingcheng Wu, Ling Yang
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
خودبهبودی بازگشتی می‌خواهد تجربه‌ی تعامل را به بهبود پایدار تبدیل کند، اما بازخورد بیرونی گران است و پیش‌بینی‌های مدل جهان با تکامل سیاست ممکن است غیرقابل اعتماد شوند. مثلاً در شیمی، هر آزمایش واقعی پرهزینه است و مدلی که نتیجه را پیش‌بینی می‌کند با تغییر راهبرد آزمایش‌ها کهنه می‌شود.
روش
چارچوب RSI-Anything بر پایه‌ی JEPA-Anything از مدل‌های جهان پیش‌بینی‌کننده برای هدایت انتخاب اقدام و داده‌ی یادگیری استفاده می‌کند. بازخورد مشاهده‌شده هم سیاست یا گردش کار را بهتر می‌کند و هم مدل جهان را شرطی تطبیق می‌دهد، و بررسی‌های جزء و سازگاری تعیین می‌کنند کدام جفت سیاست و مدل به‌روزشده نگه داشته شود.
یافته‌ها
- در ترمیم کد با کدنویس ثابت، موفقیت از ۲۶٫۳ درصد با تأییدکننده‌ی ثابت به ۲۹٫۲ درصد با انتخاب پیش‌بینانه و ۳۱٫۲ درصد بعد از تطبیق مدل جهان رسید، با مصرف آزمون مشابه؛ در رابط گرافیکی، تکمیل تسک بالاتر رفت و میانگین اقدام‌ها ۳۹٫۴ درصد کم شد.
- در پنج نسخه‌ی پیاپی سیاست، امتیاز برنامه‌ریزی آزمایشگاهی بیش از دو برابر شد، از ۲۱٫۸۰ به ۴۶٫۰۱ درصد.
- در بهینه‌سازی واکنش، با بودجه‌ی ۴۰ آزمایش، به میانگین بهترین بازده ۹۶٫۱۵ درصد رسید در برابر ۸۲٫۱۶ درصد برای بهینه‌سازی بیزی؛ یک کاربرد کامل در علوم ایمنی هم تکامل گردش کار را به تولید فرضیه‌ی درمانی وصل کرد.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ هر حوزه با تنظیمات و معیارهای خاص خودش ارزیابی شده است.
چرا مهم است
بازخورد واقعی در بسیاری از حوزه‌های علمی کمیاب و گران است. این کار نشان می‌دهد مدل جهان می‌تواند تعیین کند کجا بازخورد بگیریم و خودش هم از آن بهتر شود.