FrontisAI/OpenRSI

Executable, measurable, and reproducible AI4AI toward recursive self-improvement. Home of OpenMLE and Frontis-MA1.

OpenRSI – AI가 AI를 개선하는 오픈 이니셔티브

무엇인가요 – OpenRSI(Frontis AI 제작)는 재귀적 자기개선(RSI) 개념을 구체적인 공학 문제로 전환하는 연구용 오픈소스 스택입니다. AI 시스템이 코드를 초안 작성, 개선, 디버깅, 재결합하고, 코드를 실행하며 결과를 관찰하고 경험에서 학습할 수 있는 기계학습공학(MLE)을 실험 대상으로 삼습니다. 본 프로젝트는 다음과 같은 구성 요소를 포함합니다:

구성 요소	역할
Frontis‑MA1	35‑B(또는 30‑B)의 "AI for AI" 기반 모델로, 4가지 원자적 프로그램 진화 연산자(초안 작성, 개선, 디버깅, 크로스오버)를 수행하도록 훈련되었습니다.
OpenMLE	(1) OpenMLE‑Gym – 검증 가능한 MLE 작업을 구축하고 실행할 수 있는 라이브러리, (2) OpenMLE‑RL – 감독 미세조정(SFT) 및 실행 기반 강화학습을 위한 파이프라인, (3) OpenMLE‑Evo – 연산자를 반복 적용하여 코드를 최적화하는 장기 탐색 엔진을 제공하는 풀스택 런타임입니다.
데이터셋	OpenMLE‑Tasks (작업 정의) 및 OpenMLE‑SFT‑Traces (감독 트레이스)는 허깅페이스에 호스팅되어 있습니다.
벤치마크	결과는 MLE‑Bench Lite (기계학습공학 벤치마크) 및 NatureBench Lite (Nature 계열 논문에서 유도된 코드 에이전트 벤치마크)에서 보고됩니다.

왜 중요한가

실행 가능한 AI for AI – 정적 벤치마크가 아니라 시스템은 지속적으로 실제 코드를 생성하고 실행하며 학습하여, 개선 속도 자체를 최적화 대상으로 삼습니다.
메타진화 – 이번 릴리스는 전체 재귀적 자기개선을 주장하기보다는 제한된 영역에서 "개선자"를 훈련하는 "메타진화"에 그치며, 연구 주장의 현실성과 재현 가능성을 유지합니다.
오픈 및 재현 가능한 스택 – 모든 코드, 모델, 작업 데이터가 공개됩니다 (리포지토리: CC‑BY‑NC 4.0, 모델 가중치는 허깅페이스). README에는 훈련 파이프라인 재현 또는 NatureBench 작업에서 단일 탐색 실행을 위한 단계별 가이드가 포함되어 있습니다.

핵심 개념

연산자	기능
초안 작성	사양에서 새로운 프로그램을 생성합니다.
개선	기존 프로그램을 실행 피드백(예: 성능 지표)을 사용해 정교화합니다.
디버깅	실행 불가 또는 오류를 발생시키는 프로그램을 수정합니다.
크로스오버	두 부모 프로그램을 병합하여 새로운 후보를 생성합니다.

이 연산자들은 실행 기반 데이터(SFT 트레이스)에서 학습되며, 이후 OpenMLE‑Evo에 의해 장기 탐색에 조합되어 단일 GPU에서 수시간 또는 여러 GPU에서 비동기적으로 실행될 수 있습니다.

시작하기 (빠른 시작)

# 리포지토리 클론
git clone https://github.com/FrontisAI/OpenRSI.git && cd OpenRSI

# 구성 요소 선택 – 단일 NatureBench 사례의 경우:
#   1. NatureBench 리포지토리 클론
#   2. Python venv 설정 및 OpenMLE‑Evo 요구사항 설치
#   3. 제공된 스크립트 실행 (플레이스홀더를 모델 엔드포인트 및 API 키로 교체)

git clone https://github.com/FrontisAI/NatureBench.git
cd OpenMLE-Evo
python3.12 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
conda env create -f environments/naturebench-local.yml
export PRIMARY_KEY='your‑api‑key'
./.venv/bin/python scripts/run_naturebench_local.py \
  --naturebench-repo ../../NatureBench \
  --conda-env naturebench‑local \
  --model-base-url https://model.example/v1 \
  --model-id served‑model‑name \
  --smoke   # 전체 탐색은 제거

리포지토리는 각 하위 모듈(OpenMLE‑Gym, OpenMLE‑ERL/SFT, OpenMLE‑ERL/RL, OpenMLE‑Evo)용 별도의 README를 포함하며, 환경 설정, 데이터 준비, 실행 명령어에 대한 자세한 설명이 제공됩니다.

결과 스냅샷

평가	설정	메달 평균 / 매치 SOTA
훈련 후 성과 향상	기준 모델 → Frontis‑MA1‑35B (탐색 고정)	39.39 % → 60.61 %
풀 시스템	Frontis‑MA1‑35B + OpenMLE‑Evo‑Max	71.21 %
모델 전이 (NatureBench)	Frontis‑MA1로 교체, 프레임워크 유지	50 % → 70 %
프레임워크 전이	OpenMLE‑Evo‑Max로 교체, 기준 모델 유지	20 % → 50 %
이 숫자들은 모델 하네스 결과입니다: 학습된 연산자와 탐색 시스템이 함께 성능을 얼마나 향상시키는지를 측정한 것이며, 순수 모델 성능이 아닙니다.

누구에게 적합한가

재귀적 자기개선, 메타학습, 자동 소프트웨어 공학을 탐구하는 AI for AI 연구자.
실행 가능하고 자동 평가 가능한 AI 생성 코드를 실험하고 싶은 ML 엔지니어.
작업 정의, 실행, 평가를 통합한 재현 가능한 파이프라인을 찾는 벤치마크 개발자.
엔드투엔드 AI 기반 코드 최적화를 보여주기 위해 오픈 스택이 필요한 교육자.

라이선스 및 감사

리포지토리 코드 및 OpenMLE 자산 – CC BY-NC 4.0 (비영리, 출처 표시 필요). 제3자 라이브러리는 각각의 라이선스를 유지합니다 (NOTICE 참조).
모델 가중치는 Hugging Face에 동일한 비영리 조건 하에 호스팅됩니다.
Qwen, SLIME, Ray, SGLang, Megatron‑LM, Transformers, MLE‑Bench, NatureBench 및 기타 많은 커뮤니티에 감사드립니다.

인용

이 작업을 기반으로 하실 경우, 다음 arXiv 논문을 인용해 주세요:

@misc{yang2026frontisma1trainingai4aimodel,
  title={Frontis-MA1: Training an AI4AI Model towards Recursive Self-Improvement in Machine Learning Engineering},
  author={Junlin Yang and et al.},
  year={2026},
  eprint={2607.28568},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2607.28568}
}

TL;DR

OpenRSI는 AI 기반 AI 코드 개선을 위한 오픈이고 종단 간 플랫폼을 제공합니다. 35 B의 "메타진화" 모델(Frontis‑MA1), MLE 작업 실행 스택(OpenMLE), 그리고 연구자가 보고된 성과를 재현하거나 새로운 영역으로 확장할 수 있는 데이터셋을 제공합니다.