一句话总结：腾讯用 Hy4 训练了一个 Jev 决策模型，8 项测试里有 6 项跑分高于官方版；这是"让模型训模型"目前最小、也最容易验证的一种做法。
递归自我改进（RSI）这个词，这两年被用得太玄。
剥掉玄学，最小可行的版本是这样的：一个大模型去训一个小模型，小模型在某个具体任务上比原来的版本更好。能做成就说明"能力可以不用人教、自己往上走一层"。
腾讯做了一次，规模不大，结果清楚：8 项测试里 6 项更高。
RSI 的最小可行实验
被训的是 Jev。它不是一个通用语言模型，更像一个 if-else 选择器：你给它几个选项，它帮你选。
这类模型有个好处——正确与否可以机械判定。选对选错不靠人评，靠标准答案。这让训练信号的噪声很小。
Hy4 在这里的角色是"教练"：它不直接产出答案，而是产出训练另一个模型所需要的东西——数据、反馈、或者训练策略。
官方说法是 Hy4 训出来的是 plus 升级版。8 项测试里 6 项跑分更高。
Hy4 训出的 Jev：RSI 实验的 8 项 6 胜
图 1：8 项测试中 6 项高于原版本，2 项未超过；具体分数未公布
这个结果的意义不在"6 比 2 多"，在它的可验证性。
RSI 的讨论之所以容易变成玄学，是因为大部分宣称无法验证：说模型变强了，怎么证明？用哪个基准？基准是不是被训练数据污染了？
Jev 的 8 项测试绕开了这个问题——每项都有确定答案，跑一遍就知道。
一个诚实的提醒：8 项测试的样本量极小。 按之前算过的抽样误差，8 个样本的标准差在 15 个百分点以上，6:2 这个分布在统计上只能算"有信号"，不能算"确定更好"。要下强结论，得看具体分差和重复次数，这两项公开材料都没给。
为什么模型训模型要先挑小模型
这是整个实验里最值得学的决策。
大模型训大模型，成本高、周期长、失败一次损失大。小模型训小模型，一周能跑几轮，错了就换方案。
更关键的是可解释性。Jev 这种选择器，你能看清它每一项为什么对、为什么错；而一个通用模型的"变强"，往往是一堆指标同时动了几个点，说不清是哪一步起了作用。
这和上周写的用户模拟器那篇是同一个方法论：把变量收到只剩一个，结论才敢下。
Hy4 的另外两个数字：7 个领域和两次迭代
同一次发布里还有两个数值得记。
一个是科研侧：在物理建模、地球环境等 7 个领域，Hy4 的跑分是开源模型第一。这个"第一"要打折看——分领域第一不等于每个领域都强，而且"开源"这个限定词把对手范围缩小了。
另一个是迭代节奏：两个月一次，一年时间挤进前排。这个说法来自姚顺雨，指的是团队的整体节奏而非单模型。它比任何跑分都更能说明一家公司现在的位置。
另外还有一条实测细节：让 Hy4 在虚幻引擎里做个游戏 demo，提示词照抄官网，仍然需要人工配环境、下一个 50 多 G 的素材包、配好 MCP 连接才能跑出个样子。离"一句话做 3A"还很远。
关于 RSI 的五个问题
8 项 6 胜算 RSI 吗？ 算最弱的一种。它证明了"模型能训出比自己某个子版本更好的小模型"，不证明"能力能无限自我提升"。
Jev 是什么？ 决策模型，给选项做选择，不生成文本。适合做可机械判定的任务。
为什么不用更大的测试集？ 公开材料没说。成本、还是怕暴露细节，都有可能。
这和蒸馏有什么区别？ 蒸馏是"大模型教小模型模仿"，RSI 强调"训练过程本身由模型完成"。这次实验里两者的边界其实很模糊。
对普通团队有什么用？ 有用的一点：如果你的任务有确定答案，可以试试让强模型生成训练数据和反馈，训一个小模型专做这件事。成本和周期都可控。
结语
这次实验的价值不在 6 项更高，在它示范了一个可复制的做法：找一个能机械判分的窄任务，用强模型当教练，训一个小模型，跑 8 项测试看结果。
它不玄，也不贵，一周能跑一轮。RSI 如果真的会成为现实，大概就是从这种小实验开始堆出来的，而不是某天突然出现一个自己训练自己的模型。
上周那篇写 AI 训 AI 的四个数字讲的是同一件事的另一个样本：一个开源模型在千万级沙盒里练手。两个案例放一起看，"模型训模型"这件事已经从概念走到了工程。
参考资料
- 参考资料
发表评论
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。