RSI-Anything：利用世界模型实现递归自我改进

基于摘要分析。该研究面向通用交互系统的递归自我改进（RSI），试图解决外部反馈昂贵、策略演化后世界模型预测可能失准的问题。作者提出基于 JEPA-Anything 的 RSI-Anything，以预测性世界模型指导动作和学习数据选择，并通过真实反馈、条件式模型适应及更新检查，使交互经验转化为可保留的系统改进。 机制上，观测反馈用于改进策略或工作流，并在条件满足时适应世界模型；组件检查与兼容性检查共同决定是否保留更新后的策略—模型组合。其研究重点不只是用固定预测器筛选动作，还包括策略变化后如何调整预测模型、管理系统更新。摘要未提供模型结构、训练目标、适应触发条件及检查标准，具体实现尚未验证。 作者报告：在代码修复任务中，固定代码生成器、测试使用量相近时，成功率由静态验证器的 26.3% 提升至预测性选择下的 29.2%，世界模型适应后达到 31.2%。GUI 评估中任务完成情况改善、平均动作数下降 39.4%，但摘要未明确该降幅的对照配置。实验室规划在连续五个策略版本中，评分从 21.80% 升至 46.01%；评分定义与评估划分尚未验证。反应优化在相同的 40 次实验预算下，平均最佳观测产率为 96.15%，贝叶斯优化为 82.16%。摘要还描述了连接工作流演化、预测建模与治疗假设生成的免疫科学应用，但这不等同于治疗效果验证。 复现时需核对外部反馈成本与预算计量、策略版本间评估条件、模型适应和更新保留各自的贡献，以及不可靠预测下的失败处理；实验协议、消融及统计信息尚未验证。本文主要研究对象是跨领域交互系统，而非 EEG 解码或 BCI；摘要未给出具体神经信号机制对应，不据此生成迁移实验建议。已有 EEG 相关工作尚未检索确认。