Mirendil、INT21、rekursiv.ai ……最热门RSI 公司都在“自我改进”什么

本文来自微信公众号： 硅星人Pro ，作者：樊雅婷，原文标题：《本周AI项目推荐｜Mirendil、INT21、rekursiv.ai ……最热门RSI 公司都在“自我改进”什么》

RSI（Recursive Self-Improvement，递归自我改进）是今年AI创业里最密集的一个方向。

3月，参与过o1、o3和GPT-4的Jerry Tworek创立Core Automation；5月，Richard Socher、Jeff Clune等八位研究者组建Recursive；随后Mirendil、INT21、rekursiv.ai、Inherent相继公开；8月，Jeff Dean、Sanjay Ghemawat、Oriol Vinyals和Quoc Le成立Discovery Loop。半年之内，这些公司融资合计超过10亿美元，其中仅Recursive一家的估值就有46.5亿美元。

它们用的词不一样：self-improving AI、self-accelerating AI R&D、continual learning、AI Scientist。描述的是同一个愿景：让AI参与改进AI。

如果说RSI最严格的定义，只有一句话：AI改进“制造下一代AI”的方法，下一代继承了这个改进，于是能做出更好的下下代。

关键不在某一次实验跑得多好，而在改进能不能传下去。所以，按这个标准，目前没有一家公司做到。宽泛的用法把模型自我纠错、持续后训练、自动跑实验、优化Agent的外围工具链（Harness，模型之外负责调度、记忆、工具调用的那层软件）都叫RSI。但按这个标准的话，那么所有做Agent的公司都在做RSI。

两个标准都不好用。我们换了一种方法：不管叫什么，AI改进AI都可以拆成四步，提出一个改法、执行、验证是不是真的变好了、把变好的部分保留到下一轮。七家公司的差别，是三个问题的不同答案：AI接管了哪几步；验证信号从哪里来、有多硬；保留的改进是只在这一轮有效，还是能被下一代继承。

第二个问题最关键。能自己跑实验的系统，最大风险是给自己打高分。验证信号不够硬，系统跑得越快，积累的错误越多。

本期项目推荐就按验证信号从最硬到最软来进行梳理。

1

一、反馈来自硬件计时：INT21

1.INT21：https://int21.ai

创始人Bing Xu是GAN原始论文共同作者，此前创办的GPU推理公司HippoML被NVIDIA收购，在NVIDIA做过一段Distinguished Engineer，2026年4月创业。

INT21让AI写运行AI的底层代码。大模型在GPU上的每一个数学操作（矩阵乘法、归一化、注意力）都要翻译成GPU直接执行的一小段程序，这就是Kernel。同一个操作，Kernel写得好坏能差几倍速度，而会写Kernel的人极少。

产品PTX Kernel Factory的流程：用户定义操作、正确性要求、目标硬件和性能指标，系统调度多个Agent生成候选实现，编译、测试、测速，淘汰错的、保留快的，把成功和失败的记录带入下一轮。每一环都能在真实GPU上测出来。

公司开源了四个Kernel（KDA和RMSNorm各在B200、H100上一版），附测试方法和环境。公布结果里，Kimi Delta Attention在GH200上达到专家手写版本的1.24至1.59倍，B200上1.42至1.52倍；RMSNorm在GH200的11个前向测试中几何平均快8.17%，B200的126个可比案例全部领先。INT21同时公开了两个轻微回退案例，并说明这些数字只对应单个算子，不能换算成整个模型的加速。

INT21的优势全部来自评估器。思路接近芯片设计里的EDA：把工程目标写成机器能检查的约束，让软件搜索人类穷举不了的空间。硬件计时是一把不会被说服的尺子，近期一项RSI综述也发现，已展示的自我改进强度和验证信号强度直接相关，可执行测试是最可靠的一类。

INT21目前更像一套出色的自动调优系统，还没表现出能改“怎么搜索”本身。

接下来值得关注的是：四个Kernel能否变成稳定管线；一次任务的经验能否让系统更快解决新算子、新硬件；算子级加速进入完整模型后还剩多少。

1

二、反馈来自Benchmark，AI开始选假设：rekursiv.ai与Inherent

这一层的产品都叫AI Scientist：像研究员一样读论文、提假设、写代码、跑实验、看结果、决定下一步。和INT21的区别是，目标函数仍是人给的，但“验证哪个假设”开始交给AI。

2.rekursiv.ai：https://rekursiv.ai/

创始人Joshua V.Dillon和Dan Kondratyuk都来自Google／DeepMind和Luma AI。Dillon是TensorFlow Probability主要创建者之一，参与过Gemini、VideoPoet和Veo早期工作；Kondratyuk是VideoPoet第一作者。公司入选YC S26，团队不大。

产品被称为“自动研究的驾驶舱”：研究者给出问题，系统调度多名AI Scientist并行建立假设、写代码、跑实验、维护排行榜，每条结论都能追溯到原始实验记录。

2026年7月的ARC-AGI项目是它最具体的案例。ARC-AGI是目前最难的推理测试之一，题目是人类容易看出、模型很难掌握的抽象图形变换规律。系统在几天内跑了235次完整实验、15条主要方向，7条带来可保留的提升。单模型ARC-AGI-1从44.9%提高到71.4%，五模型集成75.5%；迁移到ARC-AGI-2得到17.5%。公司也公开了一次失败：一个训练出来的Verifier（判断答案对错的模型）在训练集上大幅改善，换到评估集反而下降2个百分点。

最终分数并不是这个案例最有价值的部分。8个没带来改善的方向，系统怎么处理，才反映它有没有参与研究判断：能否解释失败、及时止损、据此调整下一轮。

这套能力目前被关在ARC的边界内。任务是人定的，指标是现成的，系统也还没在半私有测试集上提交过成绩。在公开测试集上跑235次实验，过拟合风险很实在。真正的科研很少有随时可查的排行榜，当指标本身需要重新设计时，才是rekursiv.ai的考验。

3.Inherent：https://inherentlabs.ai

创始人Tantum Collins、Edward Hughes、Louis Kirsch、Kaloyan Aleksiev，经历覆盖AI Scientist、AlphaProof、Genie和自动化AI研究。总部伦敦，Public Benefit Corporation，2026年公布5000万美元种子轮，Index Ventures和Radical Ventures领投。

Inherent把概念叫Recursive Collective Self-Improvement：改进对象是整间实验室，开会方式、算力分配、人何时介入、组织怎么从每次实验里学习。

最具体的成果是Faraday，一个27B参数的AI Scientist，本身不大，但能调用更大的Coding Agent作为工具，完成机器学习和AI for Science的论文复现。训练环境Replica从100篇论文生成310个“复现这张图表”的任务，242个训练、68个测试，每项限时60分钟、只给H200的一小块算力。Faraday在73%的同分布任务和60%的AI for Science留出任务上优于对照Agent，平均分比Claude Opus 4.8和GPT-5.5分别高6%和8%。

“优于”的判定方式挺有趣，先用Claude Opus 4.7生成评分标准，再用Codex GPT-5.5打分，另外收集20名专家的117组排序，检查AI评分和人类判断的一致程度。AI给AI打分、少量人类校准，是这一层公司的典型做法，也是共同软肋。Inherent做得相对认真，但距离“独立、可审计”还有距离。

Inherent的思路有一个历史参照。工厂刚接入电力时只是把蒸汽机换成电动机，生产率没变；飞跃要等到厂房布局和管理方式都围绕电力重新设计之后。Inherent盯的是后面这一步。接下来看有没有原创发现、能否跨领域迁移，以及PBC治理怎么约束一间逐渐自动化的实验室。

1

三、反馈来自自己实验室的运转：Core Automation与Mirendil

前两层改进的对象是明确的：一个Kernel，一个分数。这一层改进的对象是实验室本身：先用AI自动化自己的研究，省下的研究能力再去发现下一批可自动化的环节。公司自己是第一个客户。这也意味着它们公开的东西最少。

4.Core Automation：https://www.coreauto.com

创始人Jerry Tworek在OpenAI近七年，长期参与强化学习、推理模型和Agent研究；Rohan Anil来自Google Brain／DeepMind与Anthropic。公开团队还有Julia Villagra、Joanne Jang、Mark Saroufim等，横跨前沿模型、模型行为和PyTorch系统。

Core要建一间高度自动化的AI Lab，用它寻找超越大规模预训练和现有RL的学习算法，以及比Transformer更能扩展的架构。目前没有模型、产品或Benchmark，公开内容接近路线图。

唯一落到具体问题上的是Mark Saroufim的博客。他回顾参与KernelBot时，Agent生成Kernel会出现Reward Hacking：找到让分数变高但没解决问题的捷径，比如绕过测试、只优化测试覆盖到的情况。团队把人工审计积累成数据，构建了KernelGuard检查规则。

Core的优势是研究和系统能力在同一个团队。很多自动研究Demo在小代码库里表现好，进入前沿训练就会卡在集群调度、Kernel、数据管线和失败恢复上。让架构和基础设施一起演进，比单个AI Scientist更接近自动化实验室。但它也是七家里“资本先于证据”最明显的一家。

后续值得关注的发展在于，第一个公开成果是不是Agent主导；自动化省了多少研究员时间；新算法能否脱离Transformer配方。

5.Mirendil：https://mirendil.com

创始人Behnam Neyshabur曾在Google和Anthropic做AI for Science与AI R&D；Harsh Mehta曾在Anthropic独立搭建早期AutoResearch平台；Shayan Salehian是xAI早期ML工程成员；Tara Rezaei毕业于MIT。首发团队约20人，来自Anthropic、xAI、DeepMind和OpenAI。2亿美元种子轮，a16z和Kleiner Perkins领投，NVIDIA参与。

和Core的差别在于路径。Core强调找新算法，Mirendil强调先训练一个专门擅长AI研究的前沿模型，再围绕它重建实验平台：代码、训练、评估、调试、Kernel、Checkpoint比较、算力管理。8月和Google Cloud签了多年合作，同时用TPU和NVIDIA，跑预训练到大规模RL和并行研究循环的全部负载。

Mirendil押的是数据飞轮。通用模型的训练数据里缺少完整的AI研究轨迹，从提出想法到调试失败到比较结果。一个专用模型每天在自己平台里做这些事，就可能积累外部复制不了的数据。

到这个飞轮目前还在设想阶段：没有模型、演示、Benchmark。2亿美元说明它付得起实验账单，不说明它的模型比通用编码Agent更会做研究。

后续可以观察的方向是，它独立完成了多少可复现研究；改进发生在权重、Harness还是人工流程里；客户能否在不复制一整间实验室的前提下用上它。

1

四、反馈来自整个发现过程：Recursive与Discovery Loop

最后两家不只要改进模型，还要改进研究过程本身，并最终走出机器学习。

6.Recursive Superintelligence：https://www.recursive.com

八位创始人Richard Socher、田渊栋、Tim Rocktäschel、Alexey Dosovitskiy、Josh Tobin、熊蔡明、Tim Shi、Jeff Clune，覆盖Salesforce AI、Meta FAIR、DeepMind、OpenAI、Uber AI。6.5亿美元融资，投后估值46.5亿美元，GV和Greycroft领投，NVIDIA、AMD Ventures参与。

系统做的事和rekursiv.ai类似，多出的部分是同时维护多条长期研究分支，合并有希望的路线，并在接受结果前检查是不是Reward Hack、是不是随机波动。

6月公布了三项结果：NanoChat的Validation BPB（每字节比特数，越低越好）从0.9372降到0.9109，换算成达到同等Loss的训练速度提高1.3倍；NanoGPT达到指定Loss的时间从79.7秒降到77.5秒；SOL-ExecBench的235个Kernel平均分从0.699升到0.754，到理想值1.0的差距缩小18%。

NanoGPT缩短2.2秒，数字本身不值一提。值得一提的是它跑通了提方案、做实验、验证、保留改进的完整闭环，并公开了方法、部分Artifact和不确定性。七家里，Recursive是目标写得最激进（系统未来要改进自己的代码库、Benchmark和研究过程）、同时又拿出了可检查数据的一家。Jeff Clune和Tim Rocktäschel在开放式算法（让系统自己不断生成新问题和新解法，而不收敛到固定目标）上的十几年积累，是它有机会从“批量跑实验”推进到“改进研究方法”的原因。

更大的挑战在于这些经验能否带到陌生任务，多轮后能否用更少实验找到更好方案；外部团队能否复现。

7.Discovery Loop：https://www.discoveryloop.com/

创始人Jeff Dean、Sanjay Ghemawat、Oriol Vinyals、Quoc V.Le。Dean和Ghemawat参与建立了GFS、MapReduce、Bigtable和Spanner；Vinyals的工作涉及Seq2Seq、AlphaStar、AlphaCode；Le长期研究大规模学习、神经架构搜索和模型蒸馏。首轮由Radical Ventures和Khosla Ventures领投，Lightspeed、Kleiner Perkins、Doerr Capital和Alphabet参与，金额未公布。

它目前公布的路径分三步：用前沿模型和大规模算力自动化ML研究和工程，并行跑数千个实验；自己做第一个客户；再进入芯片、药物、材料、能源等结果可测量的领域。

创始团队星光熠熠，而他们的共同点是基础设施。Google早期的优势正来自同一个想法能在更大数据、更短周期里被反复验证。Discovery Loop把“实验吞吐量”当作系统工程问题来做，四人也都参与过AutoML、AlphaChip这类机器辅助发现项目。和Mirendil比，它不先训专用模型，更像一套多领域的实验操作系统；和Recursive比，它更早延伸到AI之外。

但跨度越大，疑问越明显。ML实验几小时返回Loss，药物和材料实验受制于物理设备、周期和安全约束，一轮要几周到几个月。结果可测量，也不等于方向值得研究。

明星大佬的团队，走出AI之后能否处理真实实验的复杂性，是接下来所有人都期待看到“证据”的地方。