冻结模型权重，Agent还能持续进化：ModularRSI探索Harness自我改进
2026.09.24 · 事件 · 论文 · 论文预印本
ModularRSI让Agent在模型冻结时改进外围Harness，Terminal-Bench准确率提升4.86个百分
IQuest Research联合北航、曼彻斯特大学发布ModularRSI，在基础模型权重冻结的情况下，通过让Agent根据执行经验持续修改外围Harness，实现自我改进。在Terminal-Bench 2.0上准确率从47.57提升至52.43，且改进可迁移至其他任务、领域甚至基础模型。
- 模型冻结，Harness演化提升准确率4.86个百分点
- 改进可跨任务、跨领域、跨模型迁移
- 中等难度任务数据最利于Harness学习
- 模块独立演化优于联合演化
- Harness改进可解释，便于验证
为什么值得看
展示不更新模型权重也能提升Agent能力的新路径。
适合谁关注
关注AI Agent自我改进与系统设计的研究者。