愿景&开源 | 把今天的能力短板，变成通向超级智能的进化路径

Anthropic 工程师刚刚提出 “95% 的工程师已经在跑自我改进循环。” RSI 热潮推到眼前，递归循环跑起来了，AI 究竟变强了多少？本文将公开 Theseus Lab 进化纪元的洞察和愿景，并开源 3 项相关工作。 模型的能力，正在以月为刻度向前推进，但能力的进步并不同步。 当你和 AI 说 “生成好看的 vlog“，它给出的成果却是另一类风格，因为【好看】的指令不够清晰，需再沟通多轮。 即使指令给的足够细致，AI 依然很难做到企业级交付如装潢，因为这涉及到多环节统筹，单节点出错会导致交付偏差。 哪怕 AI 记住各环节需求，做到了存储记忆，但规则会迭代 & 需求会更新，新变动依然会导致新问题。 现实世界永远充满模糊的诉求、意外的突发变动，所以无法 100% 全程放心地交给 AI。人类不得不依然从指令、检查、修正等角度付出时间精力。 Theseus Lab 的工作区测试也反映了类似的问题，从 8 月的 GLM、9 月的 MiMo、10 月的 DeepSeek 到 11 月的 HY4，跨源证据整合与受限环境探索的得分均提高约 22 分，状态追踪和例外推理也持续走高。模型正从检索、写作和代码生成，走向处理更复杂的真实工作，但过度行为抑制、约束决策等方面的能力提升仍然有限。 一、愿景：超级智能的自进化驾舱 为把自进化能力开放服务于现实世界，Theseus Lab 现已依托三层自进化技术路线逐步开展： 1.1 开放环境中的自主探索 模型的能力提升不再局限于标准测试集，而是延伸到真实、开放的业务、创作与科研环境，在自主探索中理解现实需求、应对环境变化。 例如，在上面工作区实验中，用户提出模糊要求，模型需寻找关键线索，主动查询相关数据源。 原始 GLM-5.3-Flash 在这类任务的得分仅为 34.3，而充分获取材料上下文的模型则可达到 100。 1.2 实践经验的持续内化 Anthropic 的研究提出，Agent 需要类似人脑睡眠整理记忆的 “梦境” 过程，在任务结束之后回看全部日志，固化有效经验。我们的思路与之相通：单次项目踩过的坑和收获的经验，转化成通用可复用能力。 例如，只需说 “帮我写周报”，它就能串联工作记录并按你的风格和汇报重点成稿。 在涵盖真实个人 12 个月工作轨迹的长程任务测试中，此方法在检索增强、技能记忆等多项比较里取得了最佳成绩。 1.3 从一阶改进走向二阶进化 已有自进化方法多是在既定的方法下，根据反馈不断调整结果。我们让 AI 审视这些方法本身：怎样改变尝试的方向和方式能取得更大的突破？ 例如，研发连续做了多轮实验，若继续修改方案再试，是一阶改进；能调整实验顺序和判断标准，则是二阶改进。 在实验中，相比始终采用固定改进方法，让改进器自我迭代带来了 12 个百分点提升。 以上三层自进化机制成熟跑通后，开篇图例中列举的 AI 诸多短板，便能从底层获得回应，超级智能的演进会持续对齐人的真实目标。 二、【逐步开放】近期技术成果开源 理想的轮廓已经清晰，现实 AI 前沿模型距离超级智能还有多远？想客观衡量必须跨越不同任务类型开展对照，我们也将开放对应的参照尺度。 Theseus Lab 进化纪元联合生态伙伴: Humanlaya、小红书开源三项具体的技术成果，含代理能力、专精能力、高阶进化能力。 开源 01. 真实企业项目揭示前沿模型代理交付能力短板 把项目交给 Codex、Claude Code，为什么还得人兜底？ https://deliverbench.github.io OpenAI、Anthropic 等的智能体工具，已经能替人干很多活，却还不能让人放心把整个项目交出去。写报告、做模型、整理材料，单独拿出来都像模像样；一旦让它负责整个项目，人还是得盯进度、查结果、补漏洞。 实测中 Qwen3.8Max 把公司的全部借款，误当成某笔贷款的待偿余额，错误顺着任务依赖链进入了最终交付。每步都生成了文件，整套成果却建立在同一个错误上。 在 DeliverBench 中，我们让这些智能体接手完整的专业项目：接着自己的成果往下做，处理陆续到来的材料和反馈，最终交付可验收的成果，检验它们从 “能帮忙” 到 “能交付” 究竟还差在哪。 在这项覆盖全部 11 个项目的七个 Agent 系统评测中，前沿模型的最高平均最终交付分仅为 65.0/100；且若以 90 分为子任务通过的阈值，最高通过率仅为 50.0%。 这背后暴露了开篇我们提到的 “前沿 AI 能力并不均衡” 的关键问题，让它们完成一项明确交办的工作，往往表现不错；若持续负责整个项目，短板的能力问题就暴露出来了： Project Mars 再融资项目下，五个前沿模型的不均衡能力表现 DeliverBench 的设计初衷：是沿着完整项目链条做全流程检验，把那些