本文聚焦于递归自我改进（RSI）在通用智能中的实现路径，比较宏观的语言模型规模扩展与“经验时代”的交互驱动原则。无论宏观路线如何，最终都依赖底层的强化学习（RL）更新机制能够进行累积适应。近期算法自发现产生了 Disco103，超越 PPO 达到 SOTA 基准，但其内部更新过程仍是黑箱。
我们对自发现的 RL 规则进行首次因果机制审计，围绕“经验时代”的五大支柱：扩展视野、基于真实的奖励尺度、持续数据流、生命周期内的变化以及探索深度。审计手段是对循环状态进行定位、冻结或迁移，同时保持元参数不变，从而检验学习历史何时是资产、何时是负担。
审计得到三条关键结论：
- 循环历史显著扩展可用奖励尺度，使有效窗口从零固定时的 3 个十年提升至 6 个十年；
- 将历史内容与其维护解耦后发现，历史不匹配的惩罚主要来源于持续的钳制；若允许导入的状态自然演化，这一负担会减弱；
- 在环境变化下，控制回放保留会逆转相对于 DQN 的适应优势，表明外部数据的更替会混淆内部可塑性。
这些发现通过能力阈值验证，并成功迁移到第二条规则（OPEN），为宏观 RSI 目标提供了微观学习动力学的实证依据，也为下一代自演化 RL 算法设立了审计标准。
点评