Flex-RSI 基准评测 18 个前沿模型近 3800 轮自我改进

Flex-RSI 基准测试了 18 个前沿模型在固定权重下改写代码、工具、prompt 和工作流的能力，覆盖 24 个任务、188 次运行及近 3800 轮自我改进。构建任务的收益更能拉开模型差距，分级反馈可推动开源权重模型进步，而二元反馈常使其停滞；RoboCasa 上闭源模型的中位验证收益为 51.2 分，开源模型明显落后。