Terminal-RSI 27B 是什麼？騰訊團隊論文的遞迴自我改進怎麼讀
Terminal-RSI 27B 是基於 Qwen3.8-27B 的終端機代理訓練方法。本文對照論文、模型卡與社群貼文，整理成績、人為介入的部分與作者自承的限制，幫你分辨貼文說法。
X 帳號 Superman 在 11 月 8 日貼文說，騰訊釋出一個 27B 模型，能在「zero human in the loop」的情況下自己改寫、重訓與精煉，名稱叫 Terminal-RSI。
這個名稱其實對得上一篇 arXiv 論文。作者多數隸屬騰訊 Hy Frontier，首版在 10 月 15 日提交，貼文則是二十多天後才發出的。
但論文談的是一套訓練終端機代理的方法，基礎模型是 Alibaba 的 Qwen3.8-27B，並不是騰訊自己的基礎模型。
論文全文也沒有以「無人介入」描述這套流程。研究者設計任務池、驗證程式、獎勵與訓練設定，模型負責產生並重寫自己成功的操作紀錄。
成績確實明顯，例如論文報告四個測試集的平均成功率從 20.68% 升到 50.58%。不過作者同時列出三次評測、沒有獨立訓練種子與只測 27B 一個規模等限制。
我會把它看成「在單一 27B 模型上有效的訓練配方」，而不是 AI 已能無人自我進化的證據。
要看清這個差別，得先弄懂論文裡的「自我」指的是哪一段。
Terminal-RSI 是什麼：在 Qwen3.8-27B 上訓練終端機代理
Terminal-RSI 是一套針對終端機代理的訓練方法，論文把它的最終模型命名為 Terminal-RSI-27B。
終端機代理是能在命令列環境裡檢查程式庫、修依賴、執行指令的 AI。這類任務的結果由驗證程式檢查，所以光是計畫寫得流暢並不算數。
論文題目是《Terminal-RSI: Recursive Self-Improving Terminal Agents via Recursive Self-Rewrite and Policy-Refine》，編號 arXiv 2610.22192。
首版提交於 10 月 15 日，之後在 10 月 25 日與 30 日更新。
作者名單共九人，前三位為共同第一作者，隸屬單位列有 Tencent Hy Frontier、新加坡國立大學、馬里蘭大學、喬治亞大學與印第安納大學。通訊作者為新加坡國立大學的 Shuicheng Yan。
媒體 36Kr 轉載字母 AI 的報導，稱這是騰訊混元 Frontier 團隊的成果，並指出基礎模型是 Alibaba 的 Qwen3.8-27B。
論文頁面連到專案頁、GitHub 程式碼與 Hugging Face 權重，因此可以直接查證原始資料。模型卡說明這是 Terminal-RSI 專案釋出的模型，授權為 Apache 2.0。
較準確的說法是，它是研究團隊釋出的開源研究成果，論文與模型卡都沒有把它稱為騰訊的產品線模型。
GitHub 儲存庫掛在個人帳號 jyyang26 之下，Hugging Face 的 Teriminal-RSI 組織沒有驗證標記，成員只有 1 人。
截至 2026 年 11 月 9 日，本文沒有找到騰訊官方帳號對這個專案的公告，所以「騰訊釋出」只能寫成「作者多數隸屬騰訊」。
那麼貼文所說的「自己改寫、重訓」，在訓練流程裡對應哪兩步？
「自我改寫」與「重訓」各是哪一步？
論文的做法是交替進行兩種步驟，「自我改寫」先整理模型自己成功的操作，「重訓」再用強化學習繼續調整。
自我改寫稱為 Recursive Self-Rewrite，簡稱 RSR。模型先在幾種不同的代理框架下嘗試任務，只有通過驗證程式的成功紀錄才會保留。代理框架（harness）是驅動模型操作終端機的外層程式。
接著由規劃角色把成功紀錄寫成操作手冊，因為訓練要用的是通用框架下的操作，而不是各代理框架專屬的輔助動作。審查角色只看公開的任務與手冊，檢查有沒有洩漏驗證答案，再由執行角色在全新的沙箱依手冊重跑一次。
通過驗證的重跑紀錄，才會拿來做監督式微調。監督式微調是用現成範例教模型照做，這一步只更新負責做決定的 actor，評估好壞的 critic 保持不變。
部分作者相同的前作在 10 月 2 日提交，編號 arXiv 2610.02826。摘要寫道，它用單一基礎模型 Qwen-3.8-27B，在約 3 千個自建終端機任務中找出成功解法，三種代理框架合計解出 759 題。
重訓稱為 Recursive Policy-Refine，簡稱 RPR。它先讓 critic 在 actor 凍結的狀態下重新校準，再用強化學習常用的 PPO 方法同時訓練兩者。
論文另外設計兩種獎勵。其中一種把部分通過的進度算成分數，另一種把嚴格成功排在部分進度之前，避免失敗紀錄拿到過高的獎勵。
整條流程是 Base、RSR-1、RPR-1、RSR-2、RPR-2 五個階段，所以「遞迴」在這裡指同一套步驟跑兩圈，並把上一圈保留的模型當下一圈的起點。
了解步驟之後，還得檢查每一步由誰決定。
「無人介入」站得住腳嗎？論文裡人做了什麼
論文沒有主張無人介入，而且流程中的關鍵決定都由研究者設定。
訓練用的任務池有 3,000 題，其中 2,400 題附有語意驗證程式，另有 600 題補充的終端機任務。驗證程式負責判定成功與否，論文稱它為受保護的驗證程式，是判定成功的外部標準。
獎勵的算法、各階段的學習率，以及保留哪個檢查點，也都由作者決定。例如論文把第二輪重訓的 actor 學習率降到原來的五分之一，目的是避免模型被突然改動。
論文的圖還畫出被捨棄的分支。圖說與專案頁說明，灰色是放棄的替代方案，藍色是保留的路線，所以最終模型是從多個嘗試中挑出來的。
作者在限制一節也寫道，如果要挑檢查點，就需要受保護的驗證集，而不是配合最後的測試去調整。論文附錄還寫到，若反覆依最終測試的回饋挑檢查點，會把學習成果與對測試集的適應混在一起。
論文只記錄了保留下來的檢查點，本文讀到的段落沒有說明挑選時用的是哪一組驗證，所以這些成績要連同這個前提一起讀。
至於「zero human in the loop」，本文檢查論文全文，沒有找到以這個說法描述流程的段落。貼文後段被截斷，所以其餘主張本文無法評論。
因此較準確的說法是：資料由模型自己產生並重寫，但整個訓練由研究者設計、執行與挑選。
確定誰做了什麼之後，才好讀懂成績單上的數字。
Terminal-RSI 27B 的成績單：50.58% 的條件與比較對象
論文報告五個階段的四測試集平均成功率依序為 20.68%、34.25%、44.50%、48.75% 與 50.58%。
下表前四列是 Terminal-Bench 系列測試，考的是代理在終端機裡檢查程式庫、修依賴，並讓結果通過驗證程式。
LHTB 是 Long-Horizon-Terminal-Bench，側重依賴關係很長的長程任務；SWR100 則是重建科學程式的測試，與訓練題庫沒有重疊。
| 測試項目 | 基礎模型 | Terminal-RSI-27B |
|---|---|---|
| Terminal-Bench 4.0 成功率 | 0.00% | 19.84% |
| Terminal-Bench 2.1 成功率 | 51.70% | 86.52% |
| Terminal-Bench 3.0 成功率 | 0.00% | 16.95% |
| Terminal-Bench Hard 成功率 | 31.00% | 79.00% |
| LHTB 嚴格完成題數 | 0／46 | 5／46 |
| SWR100 成功率 | 3.00% | 6.00% |
這些數字是三次推論的平均值，也就是 Mean@3。模型卡寫明，評測設定為溫度 0.60、每回合最多生成 8,192 個詞元、輸入最多 96,000 個詞元，並關閉明確思考模式。
所以成績取決於代理框架、工具、提示詞、時間預算與驗證程式。模型卡也說，單獨的聊天範例無法重現這些代理評測。
論文另有與其他模型的對照，但對照模型的分數是引自各家公開報告的成績。專案頁也寫明，這些是作者提供的參考數字，不是用同一套代理框架重新評測的結果。
Terminal-Bench 2.1 上，Terminal-RSI-27B 的 86.52% 高於表列的 GPT-6 Sol 85.40% 與 Kimi K3 85.00%。
在 Terminal-Bench 4.0 上，它的 19.84% 高於 Gemini 3.8 Flash 的 19.70% 與 DeepSeek V4 Pro 的 14.60%。
但論文也寫明，GPT-6 Sol 在 4.0 上更高，Gemini 3.8 Flash 在 2.1 上更高。
模型卡因為論文提到主要來源與評測條件尚未完全對齊，刻意省略了外部模型的比較。所以「超越前沿模型」只能理解成特定測試集上的特定對照。
此外，論文發現先做自我改寫、再做重訓，在第 20 步的表現高於直接做強化學習，高出 12.86 到 30.50 個百分點。但對照組沿用較早的評測協定，所以只能當參考。
成績單只是起點，接著要看作者自己列出的缺口。
論文自己承認的限制：三次評測與單一模型
作者在限制一節列出四個問題，每一項都影響「自我改進」這個說法能推到多遠。
第一是因果歸屬。各階段的學習率、獎勵與初始化同時改變，因此論文沒辦法分辨進步來自哪一個設計，作者也寫明還需要算力相同的對照實驗。
第二是評測與選擇。三次評測不能取代獨立訓練種子，也不能證明統計上的優勢。
第三是驗證覆蓋，因為測試只能證明被檢查到的要求。Rust 與 C 的案例就顯示，最終模型第一次嘗試把運算交給 Python 處理，只用 C 介面做連結測試，所以通過檢查並不等於原生的 Rust 與 C 執行路徑。
第四是適用範圍。作者說，一個 27B 骨幹的五個階段，既不能建立規模定律，也不能證明每一步都會單調進步。
不過數字裡也看得到反覆。第一輪重訓若在保留點之後繼續到第 35 步，Terminal-Bench 4.0 會從 16.67% 掉到 11.11%。SWR100 則在第一輪重訓後就停在 6.00%。
LHTB 的嚴格完成也只有 46 題中的 5 題，約 10.87%，但這已比基礎模型的 0 題多。
這些限制與貼文「自己改進、無人介入」的說法有明顯落差，因為論文要證明的是一條有效的配方，而不是通用的自我進化。
若想自己追蹤或試用，還得知道權重與程式碼放在哪裡。
想追蹤 Terminal-RSI 的權重與程式碼：哪些能用、哪些要自己驗證
Terminal-RSI-27B 的權重放在 Hugging Face 的 Teriminal-RSI 組織，模型 ID 為 Teriminal-RSI/Terminal-RSI-27B，建立於 10 月 21 日。
組織名稱拼成 Teriminal，論文與模型卡的連結都是這個拼法。
模型卡列出總參數約 277.8 億，含附帶的視覺元件，權重以 BF16 儲存，設定的上下文長度為 262,144 個詞元。依參數量乘以每個參數 2 位元組概算，權重檔約 55 GB，但這是本文的估算，不是官方數字。
Hugging Face 在 2026 年 11 月 9 日的統計顯示，這個模型的下載數為 2,231。程式碼放在專案的 GitHub 儲存庫，授權同為 Apache 2.0。
但模型卡自己寫明，封裝時沒有測試完整載入與 GPU 推論，只用 Transformers 5.17.0 檢查過設定檔載入。
所以想用在自己的專案時，應先在自己的代理框架下重跑小規模測試，而不是直接套用論文數字。
Terminal-RSI 常見問題
Terminal-RSI-27B 是騰訊自己訓練的基礎模型嗎？
不是。論文與模型卡都寫明基礎模型是 Qwen3.8-27B，Terminal-RSI 是在它之上的訓練方法與成果。作者多數隸屬騰訊 Hy Frontier，但這不代表它是騰訊的產品線模型。
這代表 AI 已經能無人介入地自我進化嗎？
論文沒有這樣主張。資料由模型自己產生並重寫，但任務、驗證、獎勵與檢查點選擇都由研究者決定，作者也承認結果只在單一 27B 模型上驗證。
Terminal-Bench 為什麼有 2.1、3.0、4.0 與 Hard 多個數字？
論文分別報告不同的測試集，任務與難度各不相同，所以不能把不同集的成功率直接比較。其中 Hard 在作者前作中被描述為自建的較難集合。
可以直接下載使用嗎？
權重在 Hugging Face 上以 Apache 2.0 釋出，可以下載。但模型卡說明完整載入與 GPU 推論未在封裝時測試，論文數字也依賴特定代理框架，需要自行驗證。
延伸閱讀：三大 AI 實驗室傳出遞迴自我改進：官方數據證實了什麼，哪些仍是傳聞？
結語：哪些人該細讀 Terminal-RSI 論文
適合細讀的是做終端機代理、程式代理訓練的研究者與工程團隊，因為論文把完整流程與設定寫得很細。論文把「驗證過的成功紀錄重寫後回頭訓練」與「繼承 critic 的強化學習」接成一套完整流程，並公開了最終權重，以及重訓階段的啟動腳本與設定。
不過儲存庫的檔案列表裡沒有 RSR 階段的程式、中間檢查點與 3,000 題任務池，Hugging Face 組織也只有最終模型一個，附錄還寫明現有紀錄沒有解開每一組 actor 與 critic 權重的配對，所以要完整重現，仍需自己補齊並驗證。
不適合的是想拿它判斷「中國是否領先遞迴自我改進」的人。因為論文只在一個 27B 模型、幾組終端機測試上驗證，而且作者自己也說不能推到規模定律。
我會先等作者補上獨立訓練種子與更大模型的結果，再判斷這條配方是否站得住腳。在那之前，把它當成一份值得閱讀的研究報告就夠了。
想比較另一條讓終端機代理在執行前先挑方案的研究，可以接著看這篇。
延伸閱讀：NVIDIA Mid-Harness 是什麼？AI 執行指令前先挑方案，成功率從 50% 到 68%
