小米大模型团队联合 CMU 等机构开源 A-RSI 框架，在零外部数据下仅靠 800 个程序自生成任务，将多模态基准均分从 57.77 提升至 61.05

这是小米研究院（Xiaomi Research）联合卡耐基梅隆大学（CMU）、苏黎世联邦理工学院（ETH Zurich）等机构刚刚发布的论文，今天冲上了 Hugging Face 每日论文榜第二名。

这篇论文研究的是 AI 怎么“自己教自己”（递归自我提升，RSI）。过去做自博弈或自我进化时，学术界通常紧盯一件事：怎么让模型生成下一批训练题。但有两个死穴一直没解决好：一是模型不知道手头这批题什么时候已经被“刷透了”，继续练只是在原地空转；二是很多方法靠模型自己投票（多数表决或自洽性）来定标准答案，一旦模型产生幻觉，就会自己把自己带进沟里。

A-RSI（Adaptive Task Refresh for Zero-Data Multimodal Self-Improvement）把这两个问题彻底拆开来解决。它不再去偷看验证集或测试集的分数，而是直接监控训练日志里的奖励波动和准确率变化。只要系统发现当前任务池的学习信号开始衰退（说明这批题快被榨干了），就会自动触发刷新机制，往池子里换入新题。

【用代码替代“自我投票”来保真】

为了让答案绝对可靠，A-RSI 没有让模型靠“猜”和“投票”来生成标注，而是用了一套静态的、由模型编写的程序库来生成多模态视觉问题（比如图表、几何或视觉逻辑题），并直接通过程序推导出可独立验证的参考答案。

整个闭环训练下来，不需要任何外部训练样本，也没有用到一条人工编写的答案标签。在包含 11 个主流多模态基准的评测集上，A-RSI 仅靠引入 800 个刷新任务，就把模型的平均得分从 57.77 提升到了 61.05。

【连自己的涨分都要“反向审计”的硬核附录】

这篇论文在工程验证上做得非常克制和扎实。作者在附录里不仅详细复盘了此前同类方法（如 MM-Zero）在复现中遇到的工程坑，甚至专门拿出一章来做自我审计，标题直接就叫“Audit: Is Our Own Gain Real?”（审计：我们自己的涨分是真的吗？）。

他们对 1000 道题的输出做了独立于结果的拆解审计，专门排查了模型是不是在靠钻奖励函数的空子（Reward Hacking）或者靠拉长输出长度来水分数。同时他们还发现了一个很有意思的反直觉现象：在刷新题库时，随机抽样替换（Random replacement）的效果反而赢过了很多复杂的精心挑选策略，证明在自我进化里，打破题库同质化、及时引入新鲜分布，比死磕某类特定难题更管用。