导语：当代码智能体（Code Agents）与测试床工程（Harness Engineering）飞速发展，AI 不再仅仅是被动接受指令的工具。AI for AI (AI4AI) 正在经历一场深刻的范式演变，其核心目标已明确指向人工智能领域的终极愿景之一——递归自我改进（Recursive Self-Improvement, RSI）。
8月13日（周四）20:00点，青稞Talk 第146期，衔远科技算法研究员、清华大学博士生姜澈，将系统梳理 AI4AI 的演进脉络，从优化对象、持久经验和改进机制三个维度，辨析进化、自进化与元进化的联系和差异，并讨论它们如何共同服务于递归自我改进（RSI）这一长期目标；
在此基础上，也将介绍围绕 AI4AI 构建的开源技术体系：以 NatureGym 批量构建可执行任务 NatureBench，以 Frontis‑MA1 学习机器学习工程能力，并通过 OpenMLE 系列进化套件连接训练、评测和推理时搜索，形成从任务、学习到优化的完整闭环。
01 / 理论溯源：从“自进化”到“元进化”的维度跃迁
综述：https://openreview.net/pdf?id=IUltZSgLMm
资源库：https://github.com/FrontisAI/Awesome-Self-Improving-Agents
要理解 AI4AI 的演进，必须从理论根基出发。目前的 AI4AI 领域可以从优化对象、持久经验和改进机制三个核心维度进行系统梳理。通过这些维度的辨析，我们可以清晰地看到进化、自进化与元进化的脉络：
- 进化与自进化（Evolution & Self-Evolution）：主要关注模型在特定环境或单任务下的自我完善能力。模型通过试错或反馈，在既定边界内提升表现。
- 元进化（Meta-Evolution）：这是该领域提出的前瞻性概念。与单任务自进化不同，元进化更加强调跨任务迁移的改进能力。它要求 AI 不仅能解决当前问题，还能将“如何解决问题”的经验抽象出来，应用到全新的未知任务中。这种跨任务的适应与优化，被认为是实现通用递归自我改进的关键基石。
02 / 工程落地：构建 AI4AI 的全栈开源生态
理论的落地离不开完整的技术生态。目前，围绕 AI4AI 已构建出一套包含任务构建、能力学习与闭环优化的开源技术体系。这并非零散的单点研究，而是共同构成了一个从进化、评测到优化的有机整体。
🧪 1. NatureBench：定义“Nature 级”的极限挑战
为了评测智能体的极限，研究团队开发了 NatureBench 基准测试。该基准通过 NatureGym 批量构建可执行任务，将顶尖科学期刊 Nature 系列的论文转化为实际的开发挑战。其核心目的在于评估：代码智能体是否真正具备阅读顶尖文献并构建出 Nature 论文级 AI 模型的能力。
论文：NatureBench: Can Coding Agents Match the Published SOTA of Nature-Family Papers?
链接：https://arxiv.org/abs/2606.24530
代码：https://github.com/FrontisAI/NatureBench
🤖 2. Frontis-MA1：专攻机器学习工程的“全栈”模型
作为该体系的核心，Frontis-MA1 是一款专注于机器学习工程（MLE） 能力的全栈开源模型。在 MLE-Bench Lite 的严苛评测中，该模型展现出了惊人的效率：仅凭单张 4090 显卡，在 12 小时的训练/推理周期内便达到了 71.21% 的奖牌平均分。这一表现不仅超越了 GPT-5.5+Codex，更直逼 GPT-5.6 Sol 等全球顶尖闭源模型的性能。
论文：Frontis-MA1: Training an AI4AI Model towards Recursive Self-Improvement in Machine Learning Engineering
链接：https://arxiv.org/abs/2607.28568
代码：https://github.com/FrontisAI/OpenRSI
🔄 3. OpenMLE：连接搜索与进化的纽带
为了使模型能够持续迭代，OpenMLE 系列进化套件发挥了关键作用。它成功连接了模型的训练、评测与推理时搜索（Inference-time Search），使整个系统从任务发现、知识学习到性能优化形成了一个完整的闭环，让“自我改进”在工程上成为可能。
通过这种体系化的开源路径，AI 正在展现出自我迭代、自我优化的巨大潜力。
青稞介绍
姜澈，衔远科技算法研究员、清华大学博士生，导师为周伯文教授。主要研究方向包括大语言模型、智能体与 AI for AI。相关研究发表于 ICML、NeurIPS、EMNLP、ACL、ICLR 等国际顶级会议。近期牵头发表自进化智能体综述，并参与 Frontis‑MA1、NatureBench 等开源工作，重点探索可验证、可持续改进的 AI 系统。
主题提纲
AI for AI 的前世今生：从进化、自进化与元进化，迈向递归自我改进（RSI）
1、辨析进化、自进化与元进化的联系和差异
2、AI4AI 与递归自我改进 RSI
3、AI4AI 开源技术体系：构建研究与落地的闭环
- NatureBench：面向科研级 AI 模型构建的标准化基准
- Frontis-MA1 模型：全栈开源的 ML 工程专用 AI4AI 模型
- OpenMLE 自进化套件：连接训练 - 评测 - 推理搜索闭环
4、AMA （Ask Me Anything）环节
直播时间
8月13日（周四）20:00 - 21:00