FrontisAI/OpenRSI

解決的問題

OpenRSI 致力於將「AI 改進 AI」（遞歸自我改進）轉化為可執行的工程問題。其重點在於建構系統，使 AI 能透過研究、執行與學習的迭代過程，自主提升自身能力，特別將改進速度本身作為優化目標。

如何運作

該項目透過 OpenMLE 堆疊實現此目標，將機器學習工程（MLE）作為首個可執行領域。系統透過搜尋、經驗與訓練的循環運作：

• OpenMLE-Gym：提供可驗證的任務環境與評估工具，用於建立任務套件。
• OpenMLE-RL：使用基於執行的監督微調（SFT）與線上強化學習（RL）來訓練特定的程式演化運算子。
• Frontis-MA1：一個經過後訓練的 AI4AI 模型，作為元演化代理，應用學習到的運算子來改進程式碼。
• OpenMLE-Evo：一個搜尋執行時，將這些運算子組合成長週期搜尋流程。

系統使用四種原子運算子：Draft（建立程式）、Improve（根據回饋優化）、Debug（修復失敗）、Crossover（重組程式）。

適用對象

專為對 AI4AI、遞歸自我改進與自動化機器學習工程感興趣的 AI 研究人員與工程師設計。

主要亮點

• Frontis-MA1：專為 MLE 中的元演化設計的 AI4AI 模型（提供 30B 與 35B 兩個版本）。
• 基於執行的學習：將後訓練與推論統一在程式演化運算子的共享動作空間中。
• 可驗證的結果：透過訓練模型與搜尋框架的結合，在 MLE-Bench Lite 與 NatureBench Lite 上實現顯著提升。
• OpenMLE Sandbox：一個自托管的分散式程式碼執行與自動評估後端。