GPT-6 与递归自我改进：旧模型参与训练，算 RSI 吗？

旧模型帮忙训练 GPT-6 Astra，就算实现了**递归自我改进（RSI）**吗？这能说明 AI 已参与下一代模型的研发，却不能单独证明它能持续、独立地造出更强的后继模型。对于评估这类说法的工程师，关键不是“Agent 跑了多少次”，而是下一代模型究竟改进了什么、实验怎样证明这一点。

OpenAI 研究副总裁 Aidan Clark 向媒体表示，Astra 是公司第一款由先前模型深度参与训练过程的前沿模型。换句话说，上一代 AI 已经不只回答研发人员的问题，而是开始帮助训练下一代 AI。

RSI 是 Recursive Self-Improvement，讨论的是更进一步的过程：AI 帮助改进后继系统，改进后的系统又更擅长推动下一轮改进。一次训练用了 AI，与这个过程能够反复发生，仍然是两种不同的证据。

先说结论

• GPT-6 Astra 的关键变化，不只是模型更聪明，而是旧模型开始帮助训练新模型。
• Aidan Clark 向 CNET 表示，Astra 使用超过 10 万块 GPU 预训练，旧模型在训练新模型的过程中发挥了重要作用。
• 姚顺宇对 Gemini 3.8 的原话是：“That’s one small step for model, one giant leap for RSI :)。”这是研究者评论，不是 Google 官方宣布 RSI 已经实现。
• OpenAI 后续披露仍由人类决定研究优先级，以及是否扩大、暂停或部署系统；官方明确表示，尚不知道怎样安全地实现完全对齐的完整 RSI。

OpenAI 将 GPT-6 Astra 定义为其最智能、最对齐的模型，并把数学、交互推理、网络安全与计算机使用列为核心能力。来源：OpenAI

十万卡集群之外，训练流程本身发生了变化

GPT-6 Astra 的能力跃升首先建立在训练基础设施的扩张之上。Aidan Clark 向 CNET 表示，OpenAI 动用了超过 10 万块 GPU 进行预训练。如此规模的集群可以同时吞吐更大的数据批次、运行更多实验，并为复杂的后训练提供足够算力。

但算力并不是这次发布最值得追踪的部分。Aidan Clark 对记者说，Astra 是 OpenAI 第一款由旧一代模型深度参与训练过程的模型，“older generations helping train the new one”。CNET 的原文把这两项信息写在同一段里：规模首次超过 10 万块 GPU，前代模型也首次在训练新模型时发挥重要作用。

CNET 记者记录的 Aidan Clark 原话：Astra 使用超过 10 万块 GPU 预训练，也是 OpenAI 首款由旧一代模型深度参与训练过程的模型。来源：CNET

过去的大模型训练更像一个需要人类工程师全程看守的超大型实验：有人监控损失曲线，有人处理坏节点，有人排查数据任务，还有人决定是否回滚检查点。一次训练可能持续数周，任何异常都可能让团队在深夜进入排障状态。

现在变化的是反馈周期。公开信息没有说明旧模型具体介入了哪些训练环节，因此不能把它直接写成自动处理梯度异常、隔离坏节点或恢复检查点。可以确认的范围是：前代模型已经进入新模型的训练过程。它究竟负责数据筛选、监督信号、评测还是运行维护，仍要等待 OpenAI 公开更完整的技术细节。

怎样核查“自我改进”：从一项训练数据修改开始

先看 AI 改了什么，而不是先看宣传用了哪个词。下面是帮助判断的示例，不是 OpenAI 披露的 Astra 训练流程。

观察到的事情	能说明什么	还不能说明什么
Agent 重试失败的应用测试	同一道任务增加了尝试次数	底层模型变强了
Agent 写了一个训练故障日志解析器	AI 帮人完成了研发工程工作	下一代模型的能力提高了
AI 提出的数据过滤方案用于训练，后继模型在未参与训练的测试集上进步	控制好其他变量后，可以支持一次模型改进的判断	后继模型还能继续推动改进，或整个过程已安全可控

例如，某个研究团队想让 AI 提议“去除重复训练样本”。先保留未经修改的数据作为基线，把过滤代码放在单独的代码版本中。运行前记录数据版本、模型配置、训练 token 预算和评测集；评测集不能进入训练，也不能反复作为 Agent 调参的反馈。

然后用同一组 3 个随机种子，分别运行原方案和过滤方案，计算预算保持一致。这里的 3 个种子只是小规模示例，不是统计可靠性的保证。6 次运行都要保存，包括失败的实验；不能只挑最好的一次。检查不同种子下是否都有改善、其他任务有没有退步，以及过滤器是否误删了模型仍须处理的一类输入。

实验记录可以写到这个程度：

问题：去重后的训练数据是否让后继模型变好？
唯一改动：数据过滤代码；分别记录代码和数据版本
保持不变：模型配置、训练预算、评测集、随机种子列表
必须交付：原方案与新方案的全部结果，以及失败日志
人工决定：采用、拒绝，或要求补做实验
下一项待证：后继模型能否进一步改进研发过程？

这不是打开“RSI 模式”的配置，而是检查一个说法需要什么记录。即使第一次对比成立，也只支持一次改进，不能推出系统会无限加速。后续还需要独立的评测和有权叫停的人；如果让 Agent 自己改通过条件，实验结果就失去了比较意义。

Google 的相关信号：Gemini 3.8 与“RSI 的一大步”

OpenAI 并不是唯一沿着这条路线推进的公司。GPT-6 Astra 发布前后，Google 推出了面向编程与 Agent 工作的 Gemini 3.8 Flash，并把低成本与高吞吐作为主要定位。单次尝试更便宜、等待更短，意味着系统更容易为额外的工具调用、检查和重试预留预算；这是一种工程推论，并不代表多试几次就一定更正确。

Google DeepMind 研究员姚顺宇转发 Gemini 3.8 官方发布帖时写道：“That’s one small step for model, one giant leap for RSI :)。” 更自然的中文是：“这只是模型的一小步，却是 RSI 的一大步。”

姚顺宇转发 Google 的 Gemini 3.8 发布帖，并写下上述评论。它证明的是研究者如何理解这次发布与 RSI 的关系，并不等于 Google 官方宣布 RSI 已经实现。查看原帖

姚顺宇表达的是研究方向，并不是已经测出的因果关系。模型在回答任务时多调用几次工具，本身不会修改这个模型；只有这些工作用于改进后继系统，且改进得到验证，才可能成为 RSI 的一部分。至于额外尝试是否划算，可以看 Gemini 编程费用分析；便宜和快不能替代自我改进的证据。

榜单接近满分，仍不等于 RSI 已经完成

Astra 的 99.9% ARC-AGI-3 和 97.6% FrontierMath Tier 4 v2 成绩很容易制造一种错觉：模型智力达到上限之后，自我改进似乎会自然发生。事实上，这两件事之间还有很长的工程距离。

首先，ARC-AGI-3 的 99.9% 来自 OpenAI 指定的 Responses API harness，并使用了两个为模拟真实使用而调整的设置。这个结果说明 Astra 在特定运行条件下接近评测上限，不能直接外推为“任何陌生任务都能完成”。

其次，真正的递归自我改进不仅要求模型发现错误，还要求它提出更好的训练目标、设计有效实验、判断结果是否可重复，并避免优化过程破坏安全边界。现阶段这些关键决定仍由人类团队掌握。

最后，训练系统的自动恢复和模型架构的自主改进不是一回事。前者让既定实验更稳定地运行，后者要求 AI 改变实验本身。Clark 的这段发言没有披露自动恢复的实现细节，因此不能据此宣布 Astra 已自主跨过其中任何一道门槛。

下一份披露，应该追问哪些结果？

Astra 的报道把“旧模型参与新模型训练”这件事说具体了。接下来值得追问的是：AI 提议的哪些修改真正被采用？用什么对照证明有效？改进后的模型又推动了什么新改进？这些记录没有公开之前，递归效果有多大、能否重复，都不能只靠发布时的表态下结论。

OpenAI 的研究加速披露给出了更明确的限制：“We do not yet know how to safely get all the way to aligned, full RSI.” 即尚不知道怎样安全地走到完全对齐的完整 RSI。其内部使用强度与人工干预数据，见研究实习生分析。那些指标说明研究人员怎样使用 Agent，不能替代对连续几代模型改进的测量。

购买模型 API，并不等于拿到了 OpenAI 的训练系统或“RSI 模式”。外部团队能做的，是在自己获准运行的实验中评估一项明确修改，保留原方案、失败结果和人工复核。这样的比较才方便另一位研究者检查，也比一句“进入自我进化时代”更有信息。

常见问题（FAQ）

什么是递归自我改进（RSI）？

RSI 指 AI 系统参与改进下一代 AI 的过程，并让后续系统具备更强的改进能力。数据清洗、训练监控和代码排错都可能作出贡献，但仅有这些活动还不够：需要证明后继模型确实改进，并进一步验证它能推动下一轮改进。Astra 的报道支持 AI 已参与研发，不等于完整的自主递归过程已经得到证明。

前代模型参与训练 Astra，是否意味着人类已经退出训练流程？

没有。人类团队仍决定研究目标、训练配置、算力分配、安全阈值和是否发布。这篇 Astra 报道没有具体说明前代模型承担了哪些训练任务，不能把它扩写成一套未经披露的运维功能。

姚顺宇的“one giant leap for RSI”是 Google 官方结论吗？

不是。这句话来自姚顺宇本人在 X 上对 Gemini 3.8 发布帖的评论。原帖可以证明他确实这样评价了 Gemini 3.8，但不能据此写成“Google 宣布 RSI 已经实现”。

接近满分的基准成绩能证明 Astra 已经是 AGI 吗？

不能。不同基准只覆盖特定能力，而且成绩依赖运行环境、工具配置和评测规则。OpenAI 可以把 Astra 定义为 AGI 时代的起点，研究界是否接受这一判断，仍需要更广泛、可复现的证据。