Weco AI 提出 AIDE2：AI 研究智能体递归自我改进 8 天获七次提升
Recursive self-improvement of AI research agents
AI 导读
论文提出 AIDE^2，让前沿 AI 研究智能体修改自身代码、在一组 AI 研发任务上评测修改后的版本，并保留在隐藏评测中表现最好的改动，形成递归自我改进循环。在为期 8 天的自主运行中，它连续发现七项改进，从新的搜索策略到压缩和管理不断增长的上下文的记忆机制。这些改进泛化到机器学习工程、启发式算法工程和基于物理的天气预报四个留出基准（天气预报与选择任务分布不同），最强的智能体在四个基准上都达到或超过一个在 FML-Bench 上排名靠前的人工设计研究智能体。在另一组留出任务上，循环从未直接优化的奖励作弊率也在运行中从 55% 降到 32%，比人工设计的智能体低 7 个百分点。
论文速读
- AI 研究智能体已在加速 R&D，但研究过程本身的效率仍固定，传统 R&D 靠增加人力、成本越来越高。递归自我改进（RSI）让研究过程指向自身，但其在优化前沿 AI 研究效率上的有效性尚不清楚。
- 提出 AIDE2，在 harness 层做双层优化：内层智能体在固定预算下优化代码，外层智能体（AIDEhuman）读取已提出智能体及其私有评分，重写内层智能体代码，只保留在隐藏评测上更优的改写，形成嵌套树搜索。
- 8 天自主运行中接受 7 次连续改进，incumbent 评分从 0.703 升至 0.778；最强智能体在 ALE-Bench、MLE-Bench、FML-Bench 和分布外的 WeatherBench 2 上追平或超过 AIDEhuman。另一留出任务族上 reward hacking 率从 55% 降至 32%，低于 AIDEhuman 的 39%。
- 双层噪声叠加，一次错误接受即成为新 incumbent，可能带偏后续搜索；ignition test 仅三个种子，无法判定 AIDE47 作为自我改进者是否优于 AIDEhuman。发现的智能体复杂难解释，部署摩擦大；更确定的结论需更多种子和完整留出评测，成本高昂。
据 论文全文（AI 生成） 整理，供快速了解，以论文原文为准。
推荐理由
论文给出递归自我改进的完整实验设计，包括固定预算下的七次改写与奖励作弊率下降，可作为自改进与对齐风险的实证参考。