重置额度之神Tibo，剧透了Codex 下一次大更新

本文来自微信公众号： APPSO ，作者：发布明日产品的，原文标题：《重置额度之神 Tibo，剧透了 Codex 下一次大更新》

Codex用户大概都知道重置额度的神Tibo。

过去一段时间，Codex一出问题，或者OpenAI想给用户补点额度，他就会跑到X上说一句：重置了。

今天早上Tibo就在X上宣布，为所有付费的ChatGPT Work和Codex用户重置使用额度。

Tibo表示这次修复能让不同使用方式的用户额度多撑10%到50%。

在最近的访谈中，Matthew Berman最近干脆当面问他：你到底是咋重置的？

答案可太有节目效果了——Tibo真有一个实体按钮。觉得体验出了问题，需要补偿用户，他自己就能按。

不过这场访谈更有意思的部分，还不仅仅是这个按钮。

几周前，Tibo说过一句很大的话：

再过两三个月，今天的Codex会显得很原始。

Tibo到底看见啥了？

Tibo到底为啥说codex会变得「原始」？

Tibo没有公布什么秘密模型，他说的反而都是现在Codex用户已经会碰到的小麻烦。

Skill文件要自己维护，Memory时不时忘东西。Agent一多，人就得在几个任务之间来回切，看哪个跑完了，哪个卡住了，再把结果收回来。

主持人说，他现在经常同时开10—15个Agent。开到这个数量以后，最先不够用的已经不是GPU了，瓶颈现在是他自己的注意力。

Tibo则不太喜欢这种状态。

他想要的Agent，应该知道你最近在做什么，知道团队正在推进什么，也知道什么时候该自己开始干活。很多今天摆在用户面前的Skill、Memory、子Agent，最后可能都不需要人亲自管理。

笔记本电脑本来就是围绕一个人的工作速度设计的。一个人不会同时打开100个程序，也不会一边编译，一边跑测试，再顺手验证十几个方案。

AI却是这样工作的。

所以Tibo判断，未来Agent很自然地会往云端走。下一代模型需要的，不只是你的笔记本电脑。

然后访谈聊到了一个最近越来越常出现的词：Recursive Self-Improvement，递归自我改进，RSI。

AI到底有没有开始「自己改自己」

RSI对AI来说，就是这一代模型帮人研究下一代模型，下一代模型变强以后，再回来参与下一轮研究。

就这么一直滚下去。

这个理论其实早在计算机普及之前就出现了，1965年，I.J.Good就设想过：如果机器已经比人更会设计机器，那它做出的改进，可能又会继续提高自己的设计能力。

一直以来，难搞的都是同一件事，机器怎么知道自己这次改对了？

2003年，Jürgen Schmidhuber提出的Gödel Machine给过一个答案——先证明系统能够证明一次修改会提高预期效用，它才允许自己去改。

理论很好看，工程上基本没法这么干。

软件开发和机器学习里，大部分有用的改动，都拿不出数学证明。

于是乎，后来大家换了种办法。

先改，再测。代码尤其适合这么干。测试过没过，可以直接跑。速度快了多少，有数字。显存降没降，也能量出来一个指标。

今年Karpathy开源的autoresearch比较直观。

给Agent一块GPU，一个能改的train.py，每轮5分钟，再告诉它看哪个指标。之后它自己改代码、训练、看结果。

涨了就留。掉了就撤。然后继续。

人还在定目标，但中间那些原本要研究员守着跑的实验，已经能自己转起来了。

Tibo在访谈里把RSI的范围说得更宽。

模型不一定非要改自己的权重。它也可以去改CUDA内核、推理栈、Agent框架。这些东西最后又让模型跑得更快、更便宜，也算把能力重新「指回自身」。

说得夸张一点，就是：AI左脚踩右脚，机械飞升。

不过只要AI帮AI写点代码，就叫RSI，显然又太吹牛了。

好的修改有没有留下来，坏的缺点有没有被放大？

新系统的改动有没有继续参与下一轮，并真的让RSI的飞轮转起来？

这个循环是不是真的跑了不止一次，还是一两轮增益就停了？

这些都得再看，任重而道远啊！少年AI！

现在已经走到哪一步了

近两年的公开案例里，「自我改进」其实已经有了好几种样子。

R-Zero已经开始让模型自己给自己出题。

一个Challenger出题，一个Solver解题，新生成的数据继续拿去训练下一轮。在Qwen3-4B上，数学和通用推理平均分别涨了6.49和7.54个点。

不过考什么、怎么考，还得人来造考题，人距离完全退休还有一定距离。

OpenAI这边，GPT-5.6 Sol已经通过Codex去分析生产流量、试路由策略，甚至改过生产环境里的GPU内核。这些工作和其他优化一起，让端到端服务成本下降了20%。Sol还给自己的draft model跑了数百次实验，token生成效率又涨了15%以上。

再看Anthropic是怎么做的。

他们拉了9个Agent做研究，累计跑了约800小时。Agent自己想方案、跑实验、交换结果，5天把「性能差距恢复率」做到0.97。

人以前一周都没调出来的东西，现在一群Agent能自己往前拱。

所以现在的AI已经不只是「帮研究员写代码」了。

它开始出题、跑实验、改系统，甚至真的碰到了生产环境。

至于能不能自己一轮接一轮往下改，现在还早着呢，只是模模糊糊有了这个轮廓。

不过非常期待科研工作者们有下一步突破，为他们加油吧！

分数涨了，不一定真变强了

循环一旦能自己跑，马上就会引出另一些问题。

谁来判断「变好了」？如何定义「变好了」？

Anthropic的自动研究实验里，就出现过一些挺尴尬的情况。

有的Agent会挑对自己有利的随机种子。有的会从评分接口里猜测试标签。还有的直接去看本来不该看的答案代码。

最后分数还真能涨。只是涨得有点不是地方。

这就是reward hacking。

如果连评测器也交给AI自己改呢？

最近好多人都在尝试这个方向。

可新评测器是不是比旧评测器靠谱，最后还是得再找办法判断。（dog）总不能无限套娃下去吧！

研究方向也有类似的问题。

Agent可以很快试掉100个已经摆在桌上的方案。第101个方向为什么值得做，就没那么容易从benchmark里读出来。

Anthropic把这种判断叫research taste，研究品味。

Agent的运行时间拉长以后，也没那么乐观。

有研究者比较过Agent和61名人类机器学习专家的能力；只给2小时，最好的Agent得分大约是人类的4倍。

到8小时，人类已经略微领先。32小时以后，人类得分大约是Agent的两倍。

Agent很适合短时间内疯狂试方案。跑久以后，也会在一个不太对的方向上反复折腾。

反馈循环本身也有两面。

Nature 2024年的模型坍塌研究发现，如果后来的模型不断用前代生成的数据训练，一些低概率但重要的信息可能慢慢丢掉。模型自蒸馏的过程中，甚至可能会无意间退化一些其他的能力。

好的修改可以留下。坏的也可以。

Tibo没有公布两三个月后的Codex长什么样，今天还Agent需要人不停发任务、看进度、收结果。

下一步，它可能会更长期地记住项目，更多任务跑到云端，很多现在摆在用户面前的Agent调度也会慢慢藏起来。另一边，模型已经开始参与优化运行模型自己的软件和基础设施。

所以他那句「两三个月后会显得很原始」，可能改变的是我们用Agent的方式。