ParetoRSI-Gym：AI 智能体能否跨多个领域改进语言模型？
ParetoRSI-Gym: Can AI Agents Improve Language Models Across Multiple Domains?
AI 导读
研究者提出 ParetoRSI-Gym 基准，评估 AI 智能体通过数据驱动的后训练跨领域改进语言模型的能力，服务于递归自我改进（RSI）系统的评估。智能体在数学、代码、金融、医学、科学五个领域中循环执行数据搜索、筛选、训练并读取各领域结果；除数据外，初始 LLM、五个领域、工具集和 SFT 流水线全部固定，并用各领域泛化基准区分能力提升与对所优化分数的过拟合。在三个 Agent 系统、三个基座模型、五轮实验和多个随机种子下，最强的 Claude Code 搭配 Opus-5 使其按代理指标选出的最优检查点的泛化分数相对起始模型提升 9.2%（绝对提升 2.3 个百分点，三个基座模型与五个领域等权平均），单领域相对提升最高达 63%（Ministral-3-3B 上的医学）。