Рекурсивное самоулучшение, объяснённое на примере проекта, который действительно это делает

«Рекурсивное самоулучшение» — одна из тех фраз, которые чаще всего используются для обозначения некоего ощущения. Если определить её без мистики, она оказывается уже и при этом интереснее: это система, которая предлагает свой следующий эксперимент, запускает его и сохраняет или отбрасывает результат по заранее зафиксированному правилу, причём результаты питают следующий цикл. Рекурсия — не магия, и она не бесконечна: это цикл с функцией оценки, и его качество целиком определяется тем, насколько честно применяется эта функция оценки. RSI-Jev, сторонний открытый проект, который строит решающие модели System One в стиле Jev, — редкий случай, когда цикл можно прочитать, а не спорить о нём: каждая гипотеза, каждая провалившаяся ветвь и каждый релиз публикуются вместе со своими числами, а репозиторий датируется день за днём. Модель, которую эта страница использует в качестве разобранного примера, — RSI-Jev v6.0-VL, типизированная решающая модель на 4B, опубликованная 2026-10-06, то есть в пределах последней недели. Это не Jev от TypeSafe и не имеет отношения к TypeSafe AI — в собственной строке лицензии проекта сказано именно это, а то, что мы предоставляем на OrcaRouter, — это другая, typesafe/jev-1.13, на нашем эндпоинте systemone.

Одно уточнение, прежде чем слово «самоулучшающийся» начнёт что-то значить, а следом — одна дата. Это не модель, переписывающая себя без ограничений, и ничто на этой странице не должно читаться так. Цикл, о котором речь, переписывает рецепт: он предлагает изменение в обучении, регистрирует, что, по его ожиданиям, это изменение даст, тратит время GPU, а затем либо сохраняет изменение, либо записывает, почему оно проиграло. Модель — это башня Qwen3.5-4B-Base с обученными головами принятия решений: фиксированная архитектура, обучаемая фиксированным скриптом обучения, при этом поиск ведётся по данным, целям и этапам. Цикл проводит собственные эксперименты и отправляет в отставку собственных чемпионов. Люди решают, что стоит измерять. И дата: v6.0-VL была опубликована 2026-10-06, и с тех пор проект выпустил ещё один релиз — линейка движется примерно ежедневно, а цифры на этой странице — те, что привязаны к названному здесь релизу, с датой на момент их чтения. Об этом стоит сказать сразу на странице, тема которой — цикл, который продолжает работать.

Что означает этот термин, сказано прямо.

Разберите это выражение на части — и вы найдёте три составляющие, и все они обычные. Во-первых, пространство поиска: множество вещей, которые можно изменить. Во-вторых, оценщик: нечто, что говорит, помогло ли изменение. В-третьих, запись: что было испробовано, что произошло и что было отброшено. Система занимается рекурсивным самоулучшением, когда выход раунда N является входом для раунда N+1 во всех трёх из них, без того чтобы человек заново выводил пространство поиска или заново определял порог каждый раз.

Большая часть написанного на эту тему пропускает вторую часть, а ведь именно в ней и заключается весь вопрос. Цикл со слабым оценщиком оптимизирует оценщика. Он породит монотонно растущую кривую и систему, которая выучила форму собственного экзамена. Эта неудача не требует злого умысла или ошибки — это то, что происходит по умолчанию, когда одно и то же число одновременно и отбирает, и сообщает результат. Поэтому, когда вы читаете утверждение, что какая-то система самоулучшается, полезный вопрос — вовсе не «насколько она стала лучше». Он звучит так: «кто установил планку, когда, и могла ли она сдвинуться после того, как результат был увиден».

Популярные версии этой концепции — те, что сегодня в топе по этому запросу, — в основном устремлены в будущее: статья в Википедии описывает систему, переписывающую собственный код на пути к «взрыву интеллекта», а в более широком освещении речь обычно идёт о том, ближе или дальше этот срок, чем прогнозировалось. Это законный спор, и на него невозможно ответить, располагая теми доказательствами, которые есть у кого-либо сегодня. А вот на меньший вопрос ответить можно: можно ли прямо сейчас построить замкнутый контур описанного выше типа и заставить его подчиняться собственным правилам? Для этого один проект с публичными артефактами перевешивает десятилетие спекуляций — и именно ему посвящена остальная часть страницы.

Замкнутые, а не просто итеративные: пять механизмов

Цикл не является замкнутым только потому, что повторяется. Множество автоматизированных конвейеров повторяются, так и не становясь замкнутыми, потому что конвейер, способный скорректировать свой порог, увидев результат, делает нечто категорически иное, чем тот, который на это не способен. Собственные правила RSI-Jev необычайно явно описывают это различие, и их можно читать как определения, а не как манифест. Пять из них выполняют большую часть работы.

Прогнозы регистрируются до запуска. Гипотеза записывается вместе с числом, которое она рассчитывает сдвинуть, и на какую величину, — до того, как будет потрачено время GPU. Версия, не дотянувшая до собственной планки, выпускается как неудача, а не тихо перекраивается. Это механизм, который не даёт циклу превратиться в машину для написания объяснений постфактум, и у него есть реальная цена: в протоколе есть записи, единственное содержание которых — чья-то ошибка, зафиксированная в протоколе.

Нулевые пороги измеряют, а не предполагают. Команда запускает ветви, доказуемо идентичные контролю — подтверждённые проверкой идентичности объектов до единой секунды времени на GPU, — и разброс между этими ветвями и есть уровень шума. Разница меньше этого порога — не результат, как бы она ни выглядела. Собственная планка проекта это отражает: на его внутреннем наборе порог составляет +0.006, а стандартное отклонение по сидам на отдельном бенчмарке — 0.011–0.016, так что различия на одном бенчмарке ниже этого находками не являются. Большая часть шума в этом деле измеряется, а не выводится статистически.

Отложенная выборка расходуется, как только её прочитали. Каждый релиз читает отложенную выборку один раз, поэтому два релиза всё ещё можно сравнивать на равных — и, поскольку чтение её расходует, каждый релиз замораживает сравнение для следующего. Формулировку самого проекта стоит сохранить в неприкосновенности: отложенная выборка «отложена от обучения, а не запечатана от поиска». Это проверка на запоминание, а не гарантия новизны. И в самом показателе набора есть дыра, о которой проект сообщил публично: одна внутренняя задача пересекалась с несколькими сотнями обучающих строк, поэтому начиная с v6.0-VL набор сообщается без неё — 0.770 — а прежние 0.764 у v5.0-VL были пересчитаны как 0.763 без неё. Смысл именно в этом пересчёте. Число завышалось, причина была найдена, и карточку старого релиза исправили, а не оставили как есть.

Неудачи тоже выпускаются, включая те, что погубили собственного фаворита проекта. Главные цифры репозитория, прочитанные 2026-10-08, согласуются между собой: восемь релизов за тринадцать дней и сотни экспериментов, описанных вместе с неудачами. Отрицательный результат считается продуктом. Руководство для контрибьюторов прямо говорит, почему — дорогая часть поиска — это не запуск победителя, а запуск проигравших, поэтому хорошо измеренный отрицательный результат извне отсекает ветвь и ценнее небольшого положительного.

Цепочка релизов — это и есть проект. Одна карточка на релиз, все они, постоянно в основной ветке. Каждая карточка несёт собственные показатели своего релиза, поэтому скорость и калибровка одной версии никогда не перезаписывают данные другой. Проект прямо называет причину: эта цепочка — единственный способ увидеть, улучшается ли самоулучшающийся цикл. Всё остальное — рецепт, скрипты, закреплённый стек — содержит только текущий релиз, потому что противоположное правило сделало бы невозможным понять, что является текущим. Опубликованный чекпоинт несёт собственный код, чтобы старые релизы оставались запускаемыми без старых веток.

Чего стоит дисциплина и что она даёт

Две истории из записей — честный противовес слову «самоулучшающийся», потому что обе они — случаи, когда собственные правила цикла одновременно замедляли работу и делали её лучше.

Первый — это баг, лежащий в основе v1.0. Чтобы найти его, потребовалось семь зарегистрированных отрицательных результатов. Каждый из семи был исправлением на стороне оптимизатора, которое уменьшало нестабильность обучения, но не устраняло её, потому что причина была в ошибке точности, находившейся совсем не рядом с оптимизатором, — а окончательное исправление состояло из одной строки. Ни один из семи не стоил публикации сам по себе. Именно вместе они позволили вообще найти причину, и в этом весь аргумент в пользу регистрации и сохранения отрицательных результатов: их ценность — совместная, а не индивидуальная.

Второй выглядит менее лестно, и проект всё равно публикует его — в сноске. Один из ранних вариантов не прошёл ровно один защитный критерий — MMLU-Pro оказался на 0,026 ниже планки при ограничении 0,020 — и был занесён в журнал как отклонённый. Затем владелец запуска расширил ограничение до 0,030, на том основании, что MMLU-Pro — это защита от забывания, а не целевой показатель, и вариант был подтверждён на четырёх новых сидах и стал следующим релизом. Исходное отклонение осталось в журнале — с собственным комментарием проекта о том, что сдвинутая после того, как стал известен результат, планка — это как раз то, на чём читатель должен иметь возможность поймать проект.

Эта сноска — самый полезный абзац в репозитории для любого, кто пытается оценить подобные утверждения в реальных условиях. Планка, которая сдвинулась, не является доказательством недобросовестности — приведённое обоснование можно защитить, и расширенная планка затем должна была выдержать четыре новых seed-а. Но планка, сдвинутая молча, — это цикл, который больше не замкнут, и всё различие между этими двумя случаями сводится к тому, было ли это записано. Общее правило, которое проект впоследствии принял, стоит перенести на другие системы: почти-промах, проваливающий ровно одну проверку, получает диагностику и точечное исправление вместо того, чтобы быть отброшенным, — а если исправление не удаётся, он становится тупиком с записью.

Как часто цикл оказывается неверным: четырнадцать конфигураций, две оставлены

Вот число, которое стоит запомнить. В релизе, который читает изображения, проект насчитывает четырнадцать конфигураций обучения с подкреплением и 63 руки, обученные на награде. Две были сохранены.

Каждую конфигурацию оценивали в сравнении с контролем, обученным с учителем на тех же элементах за то же число шагов, — именно это сравнение придаёт подсчёту смысл: победа RL-ветки над базовым уровнем, которому ей не нужно было соответствовать, ничего не доказывает. Поучительные поражения, по словам самого проекта:

RL по бинарной корректности — выход вероятности схлопнулся к 0 и 1. Награда за сам факт правильного выбора, а не за честность сообщаемых шансов, загоняет распределение в углы, а модель принятия решений, уверенность которой всегда абсолютна, бесполезна для того, ради чего вообще нужны модели принятия решений.

• Proper-score RL, воссоздание целевой функции в стиле Laya — нормально на 300 шагах, разошлось на 1 500. Стабильно, пока он почти ничего не делал, и нестабильно ровно тогда, когда это начало иметь значение.

• RLCR — равен по точности, хуже по сырой калибровке. Он не приобрёл никаких возможностей и заплатил за это единственным свойством, ради которого модель существует.

• Bandit RLCD, где раскрывается только исход выбранного варианта — не лучше обучения с учителем на той же обратной связи. Проект провалил здесь свой собственный предварительно зарегистрированный тест: эта ветвь должна была превзойти обучение с учителем как минимум по двум из четырёх метрик калибровки, а победила только по одной.

Победитель — и причина его победы — это самый переносимый вывод на этой странице. Это listwise-награда: качество ранжирования, измеряемое по порядку множества отдельно оценённых кандидатов, а не по каждому из них в отдельности. Recall при переранжировании на первой позиции вырос с 0,192 у родительской модели, обученной с учителем, до 0,308, с победами и поражениями в парном тесте. Объяснение проекта — это не история про настройку: поэлементная цель обучения оценивает каждого кандидата по отдельности, и ни одна отдельная метка не кодирует качество порядка среди кандидатов. Там, где награда говорила то, чего метки выразить не способны, RL превосходил обучение с учителем на тех же строках. Там, где нет, обучение с учителем показывало такой же результат.

Это обобщается в правило о том, когда подобный цикл вообще способен что-либо найти. Когда на руках есть эталонная метка, ожидаемое обновление по градиенту политики равно градиенту функции потерь обучения с учителем — формулировка самого проекта, — так что «RL-ветвь», оцениваемая по размеченным решениям, на самом деле является ветвью дизайна функции потерь. И изменения на уровне функции потерь сдвигали внутренний набор не более чем на 0,002, тогда как новые данные сдвигали его на 0,13. Если читать это вместе: рычаг цикла никогда не был в целевой функции. Он был в том, что измерялось и что подавалось на вход.

Это и есть честный ответ на вопрос, который читатель вправе задать. Конфигурации RL в других местах приводятся как свидетельство о самоулучшении в целом; здесь они — свидетельство об одном цикле в задачах принятия решений. Результат listwise получен на одном seed, и проект сам об этом говорит: парное сравнение RL с обучением с учителем проводилось на другом родителе, не на том, к которому его применили в релизе, а в этом релизе «нет сопоставимого контроля с обучением с учителем». Результат с такой оговоркой ценнее, чем результат без неё, и именно поэтому страница, которую вы читаете, не обобщает его.

Где сидит человек

Проект говорит прямо, и эта прямота — самое интересное: цикл сам проводит собственные эксперименты и сам отправляет собственных чемпионов на покой, но он не решает, что стоит измерять, и сам не замечает, когда число технически верно, но на практике вводит в заблуждение. Это делают люди.

Два собственных правила проекта существуют потому, что кто-то возразил. Проверку MMLU-Pro расширили, вместо того чтобы позволить отбросить почти прошедший её результат. Требование к сидам теперь масштабируется с размером эффекта, вместо того чтобы расходовать четыре сида на каждое различие — потому что подтверждающий сид, то единственное число, по которому ветвь не отбирали, и есть несущий, а тратить вычисления на различия, которые вы и так видите, не даёт ничего. Один из релизов в цепочке начался как отказ отбросить ветвь, провалившую одну проверку. Проект называет по именам людей, приславших эту обратную связь, в разделе благодарностей.

Итак, «самоулучшение» здесь описывает середину цикла, а не весь цикл. Цикл — это поиск, который идёт без того, чтобы человек крутил ручку. Человек по-прежнему находится наверху цикла, выбирая цель, и внизу, критически читая результат, — и именно такое устройство не даёт циклу превратиться в машину для подтверждения собственных предпочтений. Любое описание рекурсивного самоулучшения, в котором опущена эта позиция, описывает не эту систему, а другую, и, вероятно, гипотетическую.

Что не показывают собственные цифры проекта

Приведённая выше дисциплина заслуживает описания только в том случае, если её пределы названы в том же дыхании, а запись RSI-Jev говорит о них сама за себя.

• Это один проект, за раз — один размер модели, один сид. Опубликованный чекпоинт — от одного сида, заранее зафиксированного как основной, а не выбранного по критерию лучшей оценки. RL-доказательство — это один сид.

• Это задачи принятия решений, а не генерация: вопрос с ответом «да/нет», выбор одного из k вариантов или оценка по рубрике по документу, чату или изображению, ответ на который даётся за один прямой проход с калиброванной вероятностью для каждого варианта. Ничего не генерируется, поэтому нет токенов рассуждений, которые можно потратить. Цикл здесь демонстрирует, что он может улучшать оценщик такого типа.

• Часть этого невозможно воспроизвести из одного только репозитория. Обучающие корпуса и наборы для разработки политики не являются публичными, и проект прямо говорит об этом в карточке релиза: «этапы нельзя повторно запустить только из этого репозитория». Одному сборщику корпуса требуется около 96 ГБ памяти, и он не был повторно запущен от начала до конца.

• Не всё вообще поддаётся проверке. Внутренний набор тестов никогда не был полностью отложенным. Из пятнадцати бенчмарков десять в той или иной форме поставляют данные для обучения, поэтому ни одна из этих цифр не является zero-shot — отложенный набор — это то самое сравнение, которое отложено, и оно единственное.

И у внешних частей есть собственная рубцовая ткань. Аудит после одного релиза обнаружил в обучающих корпусах примерно тысячу элементов тестовых строк публичного бенчмарк-набора — около 0,3% строк набора, причём крупнейший единичный вклад — несколько сотен строк из одного источника. При повторной оценке без них индекс меняется не более чем на 0,04. Эту поправку опубликовали в карточке следующего релиза, а не применили тихо, следуя правилу, которое проект формулирует так: «никакой контаминации: проверяем, а не утверждаем». Это правило, которое стоит им одной цифры, — а только такие правила и стоит иметь.

Где это действительно можно запустить — а где нельзя

Ничего из этого не обслуживается OrcaRouter. В нашем каталоге нет идентификатора RSI-Jev и карточки модели для него, и не появится, пока кто-нибудь не начнёт его обслуживать. RSI-Jev устанавливается из собственного репозитория и запускает собственный сервер, который работает по Jev API: вы указываете на него существующий клиент Jev и меняете базовый URL. Он работает на Linux, Windows и macOS, на CUDA GPU, Apple Silicon или обычном CPU.

The one model we do host is the other side of that contract. TypeSafe's Jev 1.13, which we serve as typesafe/jev-1.13, is the commercial decision model whose request and answer shapes RSI-Jev reproduces, and it is reached on our dedicated systemone endpoint rather than through the chat-completions shape. That is the whole relationship, and it is a structural one rather than a quality claim: one is a hosted commercial model on a vendor's endpoint, the other is a checkpoint you download and serve yourself. Nobody has run an independent head-to-head between them, and this page is not going to declare a winner from two different harnesses.

Если вы хотите поставить такую модель принятия решений за приложением, вопрос маршрутизации отделён от вопроса модели — и именно он определяет, стоит ли вообще запускать эксперимент. OrcaRouter — это один API для 200+ моделей с наценкой 0% — цена провайдера передаётся как есть, так что изменение цены вендором в тот же день становится вашей ценой — плюс автоматическое переключение при сбое и DSL маршрутизации, позволяющий собрать несколько моделей в один вызов. Для loop-модели, которую вы пока не можете вызвать через общий API, это важно вполне конкретным образом: альтернативные кандидаты, с которыми вы бы её сравнивали, уже стоят за одним ключом, и сравнение превращается в изменение конфигурации, а не во вторую интеграцию.

Часть, которую стоит сохранить

Причина писать о рекурсивном самосовершенствовании через такой проект, а не через аргумент о том, ведёт ли оно к чему-то драматичному, состоит в том, что правила цикла — это переносимая часть, а спекуляции — нет. Зарегистрированные предсказания, измеренные нулевые пороги, израсходованные отложенные наборы, опубликованные неудачи, неизменяемая цепочка выпусков: ничто из этого не является свойством сверхинтеллекта. Это свойства лаборатории, которая решила быть проверяемой, и они доступны любой команде, запускающей автоматизированный поиск сегодня, в любом масштабе, на любой модели.

Если читать так, интересное утверждение в отчёте RSI-Jev — не оценка. А то, что собственный журнал цикла говорит, что цикл ошибался гораздо чаще, чем был прав, — два сохранённых рецепта из четырнадцати сетапов, семь отрицательных результатов, чтобы найти баг в одну строку, бар, который двинулся и был записан, — и что проект опубликовал этот журнал. Рост с 38,38 до 46,24 в публичном индексе за один выпуск — курьёз без стоящих рядом неудач. Именно неудачи придают числу смысл.

Что и есть честная позиция относительно самого термина. Вопрос не в том, может ли система улучшать себя. Вопрос в том, измеряется ли улучшение чем-то, что могло бы сказать «нет». Там, где это разделение реально и зафиксировано письменно, цикл заслуживает прочтения. Там, где это не так, восходящая линия — это описание оценщика, а не системы, которая становится лучше, — и никакое количество рекурсии этого не исправит.