InsightXiv

Research topics

AI 研究专题与论文路线图

专题不是论文列表的简单拼接，而是围绕一个研究问题组织概念、关键工作、证据边界与后续方向。

5 个专题 · 持续补充论文与研究证据

Looped Transformer 循环计算与深度复用研究路线
推理架构

Looped Transformer：循环计算与深度复用

追踪循环 Transformer 如何复用参数、分配推理预算，并在固定模型规模下扩展计算深度。

核心研究问题
共享参数的循环计算如何扩展深度，并平衡训练稳定性与推理成本？
最新研究成果
目前已在深度扩展、稳定性、停止策略和缓存压缩方面取得进展；部分结构实现了参数量与循环深度解耦，但参数少不等于推理成本低。
进入专题 →
Agent Skills 从发现、生成到评测和持续改进的研究路线
能力模块

Agent Skills：从技能发现到持续改进

围绕技能的定义、生成、检索、组合、评测与安全更新，建立可复用的智能体能力地图。

核心研究问题
智能体怎样生成、选择、组合并持续更新可复用技能，同时避免能力回退与安全风险？
最新研究成果
研究已扩展到执行反馈优化、行为验证、能力回归和组合攻击；但技能池扩大、上下文不匹配与技能组合仍可能降低可靠性。
进入专题 →
递归自我改进从输出修正走向自主研究闭环的四阶段路线
自我改进

RSI：从自我修正到递归研究闭环

区分输出修正、模型学习、系统自修改与自主研究闭环，追踪 RSI 的实证进展、验证瓶颈与安全边界。

核心研究问题
系统能否在少人或无人监督下，通过自己生成任务、监督或修改自身来持续提升能力？哪些改进是可靠的、可迁移的，哪些只是条件性自我改进？
最新研究成果
综合 31 篇已审计论文的证据，当前更稳的是验证驱动、局部可迁移的自我改进；真正的无约束、开放式的全局最优递归自我改进仍缺乏实证。失败模式如模型坍缩、验证缺口和失控演化构成清晰边界。
进入专题 →