Meta^n: Recursive Self-Improvement through Emergent Depth
Meta^n 提出一种递归自改进方法，固定元操作 Ω，递归应用于自身产物，读取下层求解器堆栈的轨迹和生成代码，写出下一层作为策略预处理和可调用辅助库。深度由收敛决定而非预设，进化档案搜索层链。在两个骨干上，Meta^n 在全部八个基准族上优于先前自改进智能体，在 ARC-AGI-2 上唯一得分高于零。消融表明递归收益主要来自每层传递的条件。
Development
- First ReportMeta^n: Recursive Self-Improvement through Emergent DepthHugging Face Daily Papers
- Industry ResponseMeta$^n$: Recursive Self-Improvement through Emergent DeptharXiv cs.AI
- Current Assessment该研究可能推动自改进智能体从实验室走向实际应用，尤其是在需要持续学习和适应新任务的场景。ARC-AGI-2 上的表现暗示其具备更强的泛化能力，可能影响基准测试的评估标准。Agent Pulse · analysis
Meta^n 论文指出，自改进 LLM 智能体通常改进答案而非产生答案的过程；添加元层会固定该层，而自我编辑系统必须保留部分编辑机制不变以保持稳定，因此实际元深度上限约为二。Meta^n 保持元操作 Ω 固定，改为对其输入递归：Ω 反复应用于自身产物，读取下层求解器堆栈的轨迹和生成代码，写出下一层作为策略预处理和可调用辅助库。由于 Ω 不变，系统不会失稳；输入严格增长，每层从更高视角推理。深度由收敛决定而非预设，进化档案搜索层链。在两个骨干上，Meta^n 在全部八个基准族上优于先前自改进智能体，最显著的是 ARC-AGI-2（专为抵抗技能记忆而设计），Meta^n 是唯一得分高于零的。消融表明递归收益主要来自每层传递的条件。
Meta^n 的核心创新在于固定元操作并递归输入，避免了自我修改导致的不稳定性，突破了先前方法约两层的元深度上限。深度由收敛决定，而非预设，这为自适应计算提供了新思路。进化档案搜索层链，可能增加计算开销，但收益显著。
该研究可能推动自改进智能体从实验室走向实际应用，尤其是在需要持续学习和适应新任务的场景。ARC-AGI-2 上的表现暗示其具备更强的泛化能力，可能影响基准测试的评估标准。
对于构建自主智能体的公司，Meta^n 可能提供一种更稳定的自改进机制，降低人工干预成本，提升任务自动化水平。在 ARC-AGI-2 上的突破可能吸引关注通用智能的投资者。
下一步可验证的信号包括：Meta^n 在更多骨干和更大规模任务上的表现，以及其计算开销是否可控。若开源，社区复现和扩展将验证其可推广性。