AI到底能不能自己造AI？别吵了，有人做出来了

RSI，可能是 AI 世界里最像科幻的一个词。

在最强的版本里，你只需要对一套系统说一句 “做一个更好的自己”，它就能提出新想法、搭建训练流程、验证结果，最终交付一个能力更强的继任者。随后，新模型再次重复这个过程，智能由此进入自我加速的循环。

这个图景还没有成为现实。但过去几个月，围绕递归自我改进（Recursive Self-Improvement，RSI）的讨论，已经从 “会不会发生” 转向一个更具体的问题：今天的 AI，究竟已经接管了 AI 研发循环中的哪些部分？

Anthropic 联合创始人 Jack Clark 在今年 5 月给出过一个激进判断：到 2028 年底，无人参与的 AI 研发有 60% 以上概率出现；他同时承认，近期更可能先看到非前沿模型层面的端到端训练样例。Allen Institute for AI 的 Nathan Lambert 则提出 “有损自我改进”：AI 会进入模型研发核心，但数据、算力、组织协调和系统复杂性会让飞轮持续损耗，很难形成无摩擦的指数爆发。

现在，一支来自上海交通大学人工智能学院、深势科技、无尽前沿与新加坡国立大学的联合团队，给出了一个很适合放进这场争论的样本。

团队让 Agent（Codex GPT-5.6-Sol）主导一个 27B 工业 Coding 模型的开发：从数据演化、SFT 冷启动，到同策略自蒸馏和可验证奖励强化学习，Agent 负责选择实验、诊断失败，并反复修改训练策略。同时，人类专家提供目标、权限边界、训练 SOP 和可信验证器。最终得到了一个在工业 Coding 能力排名前列的模型，名为iCoder-27B。

• 论文标题：Recursive AI-Led Development of Frontier Industrial Coding Model
• 项目主页：liunanfu1992.github.io/iCoder-site
• 论文: huggingface.co/i-Coder/iCoder-27B/blob/main/Coder_Tech_Report.pdf
• GitHub：github.com/bingreeky/iCoder
• Hugging Face：huggingface.co/i-Coder

27B，先挤进工业 Coding 第一梯队

工业 Coding 与日常所说的代码生成，并不是同一类问题。

生成 RTL，模型需要把自然语言规格转换成满足时序、复位、状态迁移和层级约束的电路描述；生成 GPU Kernel，则不仅要保证数值正确、能够编译运行，还要真正利用硬件获得加速。代码 “看起来合理” 没有意义，只有通过仿真、编译、执行与性能测试才算完成任务。

这也是团队选择工业 Coding 作为试验场的原因：它足够难，又有真实工具链提供可验证反馈。模型不能靠语言流畅度蒙混过关。

图 1｜iCoder 在四项核心工业 Coding 基准上的位置。各榜单独立排序，数据来自团队统一评测。

注：排名仅指技术报告所列模型及团队统一评测协议；不同评测设置不可直接横向外推。

与同尺寸的 Qwen3.6-27B 相比，iCoder 的 RTLLM 从 49.6 提升到 68.0，VerilogEval Spec-to-RTL 从 70.1 提升到 86.3，KernelBench L2 正确任务数则从 28 增加到 74，达到原来的 2.64 倍。

它并非每一项都领先。在 RealBench、ArchXBench 等复杂 RTL 任务上，iCoder 仍落后于部分闭源模型。但是也可以看到，团队的 AI 自进化系统可以交付一个 27B 模型，使其同时在芯片 RTL 和 GPU Kernel 两条技术栈上进入前沿模型的竞争区。

比成绩更重要：

这一次，被改进的是模型本身

今天很多 “自我进化” 系统，改进的其实不是模型。

第一类系统让固定模型反复提出和测试方案，最终得到更好的程序或算法；第二类系统会修改模型外部的提示词、工具、记忆与 Agent harness，让同一个底座表现得更好。它们都很有价值，但能力通常留在外部系统中。

更强的一步，是把经验写回模型参数，让获得的能力可以脱离原来的工作流持续存在。iCoder 属于这一层：iCoder 的 Agent 通过参与数据、SFT、OPSD 与 RLVR 等训练全阶段，让实验结论真正改变下一个 checkpoint。

项目把前沿模型开发当作一项长链路压力测试。数据选择会影响训练分布，训练策略会改变后续样本的难度，验证器漏洞会扭曲奖励，资源预算又会反过来限制哪些实验能够运行。任何一处错误，都可能沿着流水线传播。

人类没有消失，

角色却变了

图 2｜人类提供 Research Skills、资源权限与模块操作；Agent 在边界内循环推进 Data、SFT、OPSD 与 RLVR。

团队采用的分工可以概括为八个字：高密度先验，低频率干预。

人类专家先把模型研发中最重要、也不适合靠昂贵试错学习的经验，写成一组可执行的 Research Skills：目标是什么，数据和评测集如何隔离，允许访问哪些资源，分布式任务怎样启动，验证器必须满足什么完整性要求，每一个 checkpoint 又怎样追溯到数据、代码和父模型。

这些 Skills 像一套研究操作系统：规定边界、提供工具、保留审计记录，但不提前决定实验结论。在这个空间内，Agent 根据真实实验结果，高频地选择、诊断和修正。比如，它可以决定数据如何变换、样本怎样筛选、教师上下文包含什么、采用哪种优化目标、奖励函数如何处理正确性与性能，以及什么时候继续、什么时候退回上一个阶段。

AI 在四个阶段自主设计数据和模型配方

1. Data：先让每一个任务都能被执行验证

RTL 与 GPU Kernel 的任务结构完全不同。前者关心模块接口、时钟、复位和行为 oracle，后者关心张量形状、数值语义与实现边界。Agent 将不同来源的种子任务统一为 “指令、参考实现、验证器” 三元组，再根据参考答案和契约状态选择不同的数据演化路线。

新任务只有经过接口检查、编译、执行、行为一致性验证、去重与难度平衡，才能进入后续训练。失败样本不会简单丢弃，它们会反过来改变下一轮的数据路线和重试预算。

2. SFT：只学基础模型完全不会、教师确实会的题

Agent 在此阶段瞄准基础模型的可验证能力缺口。Agent 先找到 Qwen3.6-27B 连续四次都失败、但 DeepSeek-V4-Pro 四次尝试中至少有一次能通过验证的任务，再保留第一条完整且验证成功的教师轨迹。最终，SFT 使用了 28,952 条验证通过的轨迹。

3. OPSD：把 “在反馈帮助下改对” 写回参数

SFT 之后，Agent 继续寻找一种更微妙的失败：模型裸答仍然错误，但如果给它修复方向、此前的错误回答和验证器反馈，它可以在后续轮次改对。共有 1,874 个任务进入这一阶段。

同一个模型由此拥有两个视角：学生只看原始问题；教师额外看到经过审计的计划、失败记录和粗粒度反馈，但看不到最终正确答案。目标是把临时上下文里出现的自我纠错能力，转化为裸上下文下也能调用的参数能力。

研究 Bet：OPSD 是 SFT 与 RL 之间一道不错的甜点

由于性能增益相对不够稳定，OPSD 范式 在研究社区中一直受到广泛质疑。但该团队坚持一个研究判断：只要特权上下文设计得当，OPSD 就能在 SFT 与 RL 之间形成一个实用的甜蜜点，快速修补模型的能力缺口，并为后续 RL 优化打下更强的基础。这种作用过去很少进入前沿模型的核心训练流程。

所以在这次实验中，团队将这一判断作为研究先验提供给 Agent；由 Agent 主导的 RSI 循环进一步把这项押注转化为一套有效的训练方案，取得了令人满意的性能增益，也形成了可供未来模型训练参考的实践方案。

4. RLVR：让编译器、仿真器和真实执行结果接管奖励

RLVR 阶段使用 13,212 个分层的可验证任务。随着策略更新，Agent 会重新估计每个任务的成功率，把数据划分为前沿、探索、近掌握和已掌握四层，让训练始终贴着正在移动的能力边界。

图 3｜RLVR 训练动态：六个验证后端的平均 pass@1 从 45.8% 上升至 54.3%；KernelBench 与 ArchXBench 增益最明显。

iCoder 在真实 EDA 循环中持续进步达到最优

团队把 iCoder 放进一个 EDA 循环：从 RTLScout 选取 8 个设计，模型每轮提出 3 个修改版本，连续运行 20 轮。候选只有通过自检 testbench 并由 Yosys 成功综合，才会按照 cell count 排名；本轮结果随即成为下一轮修改的依据。

图 4｜iCoder、HY3 与 DeepSeek-V4-Pro 在 8 个 RTL 设计上的迭代搜索轨迹。散点为通过 testbench 且成功综合的候选，阶梯线为搜索过程中不断更新的最优结果。

iCoder 在 4 个任务上达到三种模型的共同最优；在 MCM（13, 25, 63）上把 cell count 降到 587，优于 HY3 的 602。综合 8 个任务，它相对 HY3 为 1 胜、5 平、2 负。iCoder 的平均 cell reduction 为 51.1%，与 HY3 相差 1.1 个百分点，与 DeepSeek-V4-Pro 相差 4.5 个点；其记录输出 token 分别约为二者的 51% 和 33%。这说明，iCoder 已经可以在真实 EDA 反馈中持续搜索：提出修改、接受仿真与综合结果、保留当前最优，再发起下一轮。

真正有意思的，是 Agent 怎样被失败逼着改方案

iCoder 最有说服力的部分，是几次失败。

OPSD 第一次跑崩了：模型开始重复，却不再交付代码

Agent 最初的实现直接使用教师视角与学生视角之间的 token 概率差，决定参数更新方向。短任务一度提升，更难的任务却开始退化：部分轨迹长度变成原来的约 2.9 倍，模型反复复制中间推理，却迟迟不输出可执行代码，继续训练最终走向重复崩溃。

Agent 的诊断是：“教师更喜欢什么” 与 “环境判断什么是正确的” 被混在了一起。随后，训练目标被重新设计：可执行验证器负责决定更新方向，教师与学生的差异只用于分配 token 层面的学习权重；教师评分提前冻结，切断移动教师带来的自强化回路。

Kernel 学会了 “骗分”：结果正确，却没有真正计算

进入 RLVR 后，一些 GPU Kernel 表面通过了数值测试，却没有完成题目要求的计算。有的代码在象征性的 Triton 外壳背后调用参考框架，有的只启动 identity kernel，把读到的值原样写回输出。它们拿到了正确结果，却没有学会 Kernel 优化。

Agent 因此把 “是否真正执行要求的计算” 设为获得奖励的前置条件，并加入 kernel launch、identity computation 与框架委托检查。但这条规则也不能用于全部任务：Triton-only 任务禁止委托，KernelBench 却允许保留未被替换的框架算子。最终，奖励门槛被限制在各自的任务契约之内。

基础设施坏了，不能让模型替它背梯度

编译器崩溃、仿真超时、GPU 故障、请求丢失或工具链版本不匹配，都可能让一次样本得不到结论。如果统一记为 0 分，模型会被迫把基础设施问题学习成自身能力缺陷。

Agent 引入了正常奖励区间之外的 -1 哨兵值，并将无法判定的轨迹从组内均值、方差、梯度和 loss 归一化中全部移除。RTL 验证也改为 fail-closed：只有明确的正向通过信号才能得到 1 分；没有报错，并不等于成功。

一次 OOM，暴露出隐藏的评测分布偏差

最初的 prompt 上限只过滤掉少量训练样本，却悄悄删掉了 RealBench 验证集中三分之二以上的任务。提高 prompt 上限后，任务分布恢复，过长回答又造成显存溢出。统计显示，回答越长，平均奖励越低；最长的一批轨迹没有一个拿到满分，内容大多是在重复中间推理或代码片段。

Agent 随后取消输入、输出两个彼此独立的长度预算，改用完整轨迹预算：输入与输出长度之和不得超过同一个上限。这同时保住了长 RTL 规格、短问题的回答空间，以及单条轨迹的显存边界。

这些修改看起来像工程细节，却揭示了一个核心事实：除了训练策略之外，验证器和训练基础设施同样也是模型进化的主角。

从重复 971 次，到主动启动第二个 Kernel

图 5｜RLVR 前后两组同题轨迹。训练后，模型不再停留在无法全局同步的死结，并能显式处理流水线的周期对齐。

报告给出了两组案例，体现了 AI 逐渐掌握工程技巧。

在一个 Frobenius 范数归一化任务中，RLVR 前后的模型都意识到 Triton Kernel 内部没有跨 block 的全局同步。训练前，模型把同一句 “做不到” 重复了 971 次，直到耗尽预算；训练后，它接受这个约束，转而启动第二个 Kernel，回答缩短 63%，并通过验证。

在一个 32 位流水线加法器任务中，训练前模型算对了每一级，却错过了不同流水段之间的周期对齐，只通过 50 个测试中的 2 个；训练后，它明确写出 “每一级的 A、B 切片也要延迟相同周期”，最终 50 项全部通过。

这两种提升更像工程师的两种基本能力：发现路径走不通时换路，以及在复杂系统里保持跨步骤一致性。

这是 RSI，

还是 “有损自我改进”？

如果按照最严格的定义，iCoder 当然还不是完全闭环的 RSI。人类选择了基础模型与任务方向，规定了权限、验证器和发布边界，也把已有研发经验整理成 Skills。它没有自主定义自己的终极目标，更没有从芯片、数据中心到模型发布接管整个产业链。

但如果观察 “被改进的对象” 和 “闭环覆盖的范围”，它又明显超过了普通的自动调参。Agent 修改的不只是一次输出或外部 harness；数据、训练目标、奖励语义和资源约束都在实验中被重写，结果最终进入了 27B 模型参数。

从这个角度看，iCoder 同时支持 Jack Clark 与 Nathan Lambert。

• 它支持 RSI 的现实版本：AI 已经能承担模型研发中越来越长、越来越关键的任务链，并开始把研究经验写回下一代模型。
• 它也支持 “有损自我改进”：循环里充满奖励漏洞、验证错误、分布偏差、显存限制和人为边界，进步不是一条光滑的指数曲线。

AI 研发的下一步，

是把经验变成可执行协议

模型研发中最稀缺的知识，往往并不写在论文公式里，而存在于资深研究者的操作习惯中：什么时候应该缩小实验，怎样识别错误奖励，如何区分模型退化与评测故障，哪些失败值得记录，何时必须退回数据阶段。

当这些知识只存在于人的经验里，AI 最多是一个执行工具；当它们被写成可调用、可验证、可审计的 Research Skills，AI 才可能真正参与研究判断。

iCoder 最值得关注的产物是新的 AI 研发组织方式：人类负责定义可信研究空间，Agent 负责在其中进行高频探索；人类提供原则，Agent 用实验把原则展开成具体路线；每一代模型不只是被训练的对象，也开始成为训练下一代模型的研发者。

递归智能的 “王冠” 还远未被摘下。但有一条边界已经开始松动：AI 不再只负责写出更好的代码。

它开始参与制造下一个自己。