谷歌RRSI新法：防自改进智能体背题刷分

能自己进化升级的AI智能体，正面临一个尴尬的质疑：它们的进步可能只是“背题”。谷歌研究团队提出的RRSI方法，专门针对这一问题——通过抑制智能体对训练任务的记忆化，让自我改进的收益真正迁移到陌生任务上。据The Decoder报道，在未见过的基准测试上，RRSI最高带来4.7分的成绩提升，同时比未加正则化的版本少用约30%的token，做到了“分更高、开销更省”。

这个问题并不新鲜，却越来越紧迫。自改进智能体在训练任务上的分数可以一路上涨，可一旦换到新任务，涨幅往往大幅缩水，甚至完全归零。RRSI的思路，是给这个自我强化的循环加一道“缰绳”，引导智能体把算力花在学会解决问题上，而不是记住答案上。

自改进的悖论：越练越会“背题”

所谓自改进（self-improving）智能体，指能够依靠自身生成的任务、数据与反馈不断迭代升级的AI系统。这类系统不依赖大规模人工标注，被普遍视为突破高质量数据瓶颈、迈向更高阶智能的重要路径，也是当前智能体研究中最受关注的方向之一。

但“自己教自己”的模式暗藏悖论：如果改进的依据是一组固定任务，智能体很容易把优化火力集中在这些任务本身，把它们“背下来”，而不是提升底层能力。The Decoder在报道中如此概括这一现象：

自改进AI智能体倾向于记住自己的测试任务，因此在全新任务上，它们取得的收益会缩水甚至完全消失。

这与机器学习中经典的过拟合现象一脉相承，也让人联想到学界担忧的基准污染与古德哈特定律——当指标成为目标，它就不再是好指标。对评测者来说，这意味着榜单分数可能虚高；对开发者来说，这意味着昂贵的进化循环换来的可能只是“应试熟练度”，而非真实能力。

RRSI：给自我进化套上缰绳

谷歌研究团队提出的RRSI，正是冲着这一痛点而来。从该方法与“未正则化版本”的对照设置可以看出，其核心是为自改进循环引入正则化式约束，抑制记忆化倾向：不让智能体把测试任务当成可以反复刷的标准答案，而是让改进发生在更底层、更可迁移的能力上。

据报道，RRSI的效果集中体现在两项指标上：

• 泛化成绩：在智能体从未见过的基准测试上，RRSI最高带来4.7分的提升，说明受约束的自我进化确实学到了可迁移的能力，而不只是记住了训练任务。
• 运行成本：与未加正则化的版本相比，RRSI的token消耗降低约30%，意味着同样的进化轮次推理开销更小，自我改进循环更“省燃料”。

一涨一降之间，RRSI也回应了一个悬而未决的疑问：给自改进加约束，是否必然以牺牲成绩或抬高成本为代价？至少从这组数据看，泛化与效率可以兼得。

涨4.7分、省三成token，这份成绩单该怎么读

token消耗降低约30%并非小事。智能体应用的成本大头通常在推理侧，而自改进流程需要大量“尝试—反馈—修正”的循环，每一步都在消耗token。若能在提升泛化成绩的同时砍掉近三分之一的消耗，对想把自改进流程真正落地的团队而言，是实打实的成本优化。

更重要的是评测可信度的修复。近年来，AI基准测试因刷分与潜在的数据污染问题屡遭质疑，榜单成绩与真实能力之间的落差时常引发讨论。如果自改进方法能在“没见过的题”上稳定涨分，分数的含金量就会更高，智能体能力的对外承诺也更可信。RRSI给出的信号是：追求迁移能力，不必以推理成本失控为前提。

冷静看待：一项进展，而非终点

当然，这项成果的边界也需说清。报道披露的信息有限：4.7分是“最高”提升幅度，并不代表所有未见基准都能达到；30%的token节省也是相对未正则化版本的对比结果。RRSI在不同模型与任务域上的普适性，仍有待更完整的技术细节和更多独立验证。

但方向意义是明确的。随着智能体从单次问答走向持续自我进化，如何防止其在训练与评测中“走捷径”，正在成为与模型架构同等重要的课题。从过拟合到基准污染，再到自改进中的记忆化，“让分数反映真实能力”始终是AI工程绕不开的底线。

展望未来，自改进智能体大概率会与合成数据、反馈式微调等技术一起，构成下一代AI系统的核心循环。RRSI这类方法若被广泛采用，或将成为自改进流程的“标准配件”——正如正则化之于传统机器学习，用一道轻量约束，换来更真实的能力增长和更低的算力账单。对从业者而言，比起训练任务上又涨了几分，“没见过的基准涨了多少”可能更值得盯紧。