递归式 AI（Recursive AI）指的是 AI 在构建和改进自身时扮演越来越完整的角色，这被视为 AI 为 AI 的皇冠宝石。虽然在小模型、受限任务和固定时间预算下递归自我发展已经可行，但要实现能够发布、在前沿竞争中脱颖而出的模型仍然极具挑战。
本文探讨了在最小化人工干预的前提下，智能体如何自行研发前沿模型。我们将人类输入浓缩为高密度、低频率的接口：专家将目标、阶段脚手架、权限边界和操作流程编码为可复用的研究技能；智能体则实例化这些先验、选择实验、诊断结果并修正训练策略。
在工业编码这一高难度领域，智能体负责演化数据，并协同监督微调（SFT）、在线自蒸馏以及带有可验证奖励的强化学习，最终产出 iCoder——一款 27B 参数的模型，专注于 RTL 设计和 GPU 核心优化。
在七个基准测试中，iCoder 超越 RTLLM，领先 GPT‑5.5 与 Claude‑Opus‑4.8；在 CVDP 与 KernelBench L2 上排名第二，较 GPT‑5.5 提升 16 分；在 TritonBench 上与 Claude‑Opus‑4.8 并列最佳。案例研究进一步展示了 iCoder 在迭代 RTL 与 GPU 核心优化时，使用的 token 数显著更少，竞争力强。
这些结果描绘了一条递归自我提升的工程路径：人类提炼模型构建的原则，智能体通过基于证据的实验将其落地，每一代 AI 都成为下一代更强大的架构师。
点评