Flex-RSI评测18个模型的自我改进能力

Flex-RSI基准测试团队公布评测结果：18个前沿模型在固定权重下，通过改写代码、工具、提示词和工作流进行自我改进，覆盖24个任务、188次运行和近3800轮迭代。构建型任务更能拉开模型差距；分级反馈能推动开源权重模型进步，二元反馈则常使其停滞。在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。

AI 根据报道生成 · 24 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。