据 MarkTechPost 报道，Google Cloud AI Research 与北卡罗来纳大学教堂山分校、斯坦福大学和圣路易斯华盛顿大学发布并开源 RRSI（Regularized Recursive Self-Improvement，正则化递归自我改进）。该框架允许大语言模型智能体改写自身的 harness，包括提示词、工具、记忆、控制流和子智能体，但模型权重保持不变。报道称，RRSI 通过约束改进循环本身，使提升能够保留在智能体从未优化过的基准上。
RRSI 可作为研究框架部署，代码采用 Apache 2.0 许可，需要 Python 3.10 以上版本，并接受任何 LiteLLM 模型字符串。其默认配置假设在 Vertex AI 上使用 Claude Opus 4.8。
报道指出，传统的 harness 演化循环会提出编辑，在固定的 evolve 集上评分并保留胜出方案。由于每轮重复使用相同任务，循环可能记住这些任务。RRSI 研究列出三种失败模式：基准特定拟合、追逐噪声和复杂度累积。每一种都会拉大 evolve 集分数与真实迁移之间的差距。
RRSI 保持每个 harness 组件可编辑，但正则化搜索的移动方式。在提案侧，退火编辑预算使用余弦调度，早期轮次可以捆绑多项编辑，后期轮次只允许单一可归因改动。证据感知信用机制会记录每个候选的组件、假设、diff、分数变化和成本变化，提案者读取该账本，避免重试已被证伪的想法。当进展停滞在噪声带内时，结构化探索会把预算转向运行从未触及的组件。在选择侧，泄漏批评者在任何评分前拒绝任务名称、实体、答案或基准特定逻辑；噪声调整下限要求增益超过在未改变基础 harness 上测得的方差；成本规则要求额外推理 token 必须由可测增益支付；不再产生增益的组件会成为剪枝目标。研究团队将这些机制类比为经典正则化，编辑预算对应 L0，剪枝对应 Lasso（L1），成本规则对应 Ridge（L2）。
在 8 个基准上，Terminal-Bench 2.1 的 evolve split 从 74.2% 升至 80.2%。SWE-bench Verified 从未用于选择，从 82.0% 升至 83.8%。分布外测试中，JobBench 提升 4.7 点，GDPval 提升 3.5 点，APEX-Agents 提升 3.7 点。EngDesign 的 evolve 分数提升 4.9，Frontier-Eng 提升 4.3 Medal points。Harvey LAB 的 evolve split 提升 1.1，held-out split 提升 2.3。所有 6 个 held-out split 均有改善。以 Gemini 3.5 Flash 作为策略时，Terminal-Bench 2.1 从 64.6 升至 78.7，SWE-bench Verified 从 76.8 升至 79.0。
RRSI 的 harness 也更轻。在 agentic workspace 实例上，RRSI 每次试验使用 2.42M policy tokens，未正则化演化使用 3.80M。论文摘要称减少 30%，项目页称减少 36%。
与最接近的竞争方法相比，论文表 1 显示所有方法共享相同的起始 harness、策略、evolve split 和候选预算。RRSI、Meta-Harness、AHETTHE 和 HarnessX 都冻结模型权重，但成本规则和剪枝仅 RRSI 具备，其他方法按 RRSI 研究团队的说法不具备。Meta-Harness 在 Harvey LAB evolve split 上领先。RRSI 的 evolve 增益最小，却是唯一 OOD 平均分比 H0 高出超过 1 点的方法，其 OOD 平均为 43.6，H0 为 39.7。