- 衔远科技（Frontis.AI）与清华大学相关团队开源 Frontis-MA1，一个面向“AI 改进 AI”（AI4AI）的元进化智能体；35B 权重与完整 OpenMLE 技术栈以 CC BY-NC 4.0（非商用）开源。
- 在 MLE-Bench Lite 的 22 个任务上（单卡 RTX 4090、12GB 显存、每任务 12 小时），Frontis-MA1-35B 相对基座 Qwen3.6-35B-A3B 把奖牌率从 39.39% 提到 60.61%，配合 OpenMLE-Evo-Max 达到 71.21%，超过 GPT-5.5+Codex 的 68.18%，接近 GPT-5.6 Sol 与 Kimi K3 的 72.73%。
- 核心机制是四个原子算子（Draft、Improve、Debug、Crossover）：同一套算子既用于执行接地的后训练，也用于长程进化搜索，构成学习—执行—进化闭环。
- Human Rank 从基座的 0.5828 升至 0.7647，配 Evo-Max 达 0.8126。
- NatureBench Lite 迁移实验显示两条提升路径各自有效：换模型 Match-SOTA 从 50% 到 70%，换搜索框架从 20% 到 50%。
- 使用边界要先看清：71.21% 是模型加搜索框架的系统成绩，不是模型单次生成的分数；许可证非商用；作者明确表示这只是可执行域上的元进化，不等于解决了通用 RSI。
Frontis-MA1 是什么：把“AI 改进 AI”缩成一个可打分的循环
“AI 改进 AI”听上去玄，Frontis-MA1 的做法是把它缩小成一个工程问题：给智能体一份数据、任务说明、评价指标和有限算力，让它自己完成数据检查与验证集划分、特征处理、模型选择、训练调参，最后提交预测并由隐藏测试打分。这个场景就是机器学习工程（MLE），也是递归自我改进（RSI）研究里少有的既能真实运行、又能客观打分的试验场。
输入输出链路因此很清楚：输入是任务包和算力预算，输出是一份能通过隐藏测试的提交。团队为此建了 OpenMLE-Gym，构造出 5758 个质量门控的可执行任务，覆盖表格、图像、时序、文本、音频、视频等模态。评测基准对齐 Kaggle 竞赛文化，用“奖牌率”（Medal Average）计分——拿到铜牌以上算过，这正是 MLE-Bench 系列的口径。
核心技术：四个算子，打通后训练与搜索
这项工作真正的结构创新，是把后训练和推理时搜索对齐到同一组动作上。论文定义了四个原子算子：Draft 从零写完整方案，Improve 根据分数和执行证据改进父程序，Debug 修复跑不通或提交失败的代码，Crossover 把两个父方案的有效部分重组。
训练侧，这四个算子构成执行接地的后训练数据：先做 SFT，再做强化学习，奖励来自真实运行结果而不是文本相似度，且训练数据对所有评测基准做了去重——论文在三处明确写了排除 MLE-Bench 相关来源，防止刷题。搜索侧，同一套算子被组装成长程进化搜索 OpenMLE-Evo：模型反复执行“写、改、修、杂交”，由分数和执行证据引导搜索树生长。
在 Evo 之上还有 Evo-Max 配置，加了两样东西：与评测隔离的跨任务经验先验，以及异步搜索（总沙箱算力不变，把等待时间填满）。两类增益要分开看——换上训练后的模型，奖牌率从 39.39% 到 60.61%，是后训练贡献的约 21 个百分点；再叠上 Evo-Max 搜索，到 71.21%。Human Rank 的爬升路径类似：0.5828、0.7647、0.8126。对照实验里，30B 的复现版（基于 Qwen3-30B-A3B-Thinking-2507）同样有效，从 34.85% 升到 53.03%，Evo-Max 下到 66.67%，说明方法不挑基座。
适用场景与效果边界
适用的一侧：表格、图像、时序、文本、音频、视频的多模态 MLE 任务都在任务集覆盖内，NatureBench Lite 的留出实验显示模型与框架都有跨域迁移——框架固定换模型，Match-SOTA 从 50% 到 70%；模型固定换框架，从 20% 到 50%。换句话说，提升不完全是刷竞赛题刷出来的。
边界也要如实列。第一，71.21% 是训练后模型加增强搜索的系统成绩，官方对比的 GPT-5.5+Codex、GPT-5.6 Sol、Kimi K3 也都是系统口径，但如果你想拿 35B 模型单次生成方案，数字会明显低于此。第二，许可证是 CC BY-NC 4.0，整库级非商用，商业使用未被授权。第三，5758 个任务里只有 1415 个随仓库发布完整数据，其余 4343 个只发布脚本，受授权限制。第四，中文社区对它有评测口径的讨论空间（比如自建任务集与自家评测的绑定），目前独立第三方复现还少，社区讨论整体不多，这是研究发布初期的常态缺口。第五，作者自己也写明：这是可执行域上的元进化，不等于已经解决通用 RSI。
快速上手：拉权重，跑通冒烟测试
需要的东西都在四个地址：论文在 arXiv（2607.28568），代码在 GitHub 的 FrontisAI/OpenRSI 仓库，权重在 Hugging Face 的 FrontisAI 集合下（35B 与 30B 均有 BF16 权重和 GGUF 衍生版），任务与 SFT 轨迹作为数据集分发。
前置环境是 Python 3.12 的 venv 加 conda，各组件（Gym、SFT、RL、Evo）独立运行、各有自己的 README，没有统一的顶层命令。最小验证路径是克隆 NatureBench 任务集，设置主键后跑本地冒烟脚本：
冒烟通过说明执行与评测链路是通的。常见失败点有两个：模型权重、任务工件和语料与源码是分开分发的，只克隆仓库跑不了完整实验；部分组件依赖 SGLang 端点做推理服务，直接裸跑会报连接错误。
生态定位：衔远与清华的 RSI 叙事
按中文科技媒体报道，这项工作由衔远科技（Frontis.AI）与清华大学相关团队完成，论文作者 24 人，包括周伯文（Bowen Zhou）、张开颜（Kaiyan Zhang）、一作杨峻麟（Junlin Yang）与姜澈（Che Jiang）；报道称项目负责人包括杨峻麟与姜澈，通讯作者为张开颜。研究被放在“从进化、自进化到元进化，走向递归自我改进”的叙事里，衔远被描述为在“AI 造 AI”方向上的持续投入。
对谁有用：想在自家任务上搭自动 ML 工程管线的团队，可以直接复用 OpenMLE-Gym 的任务规范和执行沙箱；研究 RSI 的人，得到的是一套可执行、可打分、可复现的实验底座。它不提供的是开箱即用的产品能力，而且非商用许可把商业落地挡在了外面。
把递归自我改进这种长期愿景，缩小到一个单卡消费级 GPU 上能跑、能复现、能被第三方打分的循环——这是 Frontis-MA1 最实在的贡献。至于从可执行域推广到通用智能的自我改进，论文自己没有下这个结论，读者也不必替它下。
AI 速览
