> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 递归自我改进的账单：验证吃掉九成 token，最便宜的方案反而更准
- URL: https://www.hubwiz.com/blog/rsi-tax-self-improvement-token-cost/
- Published: 2026-11-15T15:31:33.000Z
- Updated: 2026-11-15T15:34:53.000Z
- Description: 账很难看：验证吞掉 75%–94% 的预算，六成花在后来没用上的技能与记忆上。而只改一段笔记的笨办法，赢了三个会搜索候选的方案。
- Author: admin
- Tags: 递归自我改进, Agent 成本, token 成本, Agent 评测, 强化学习

"自我改进"这件事本身要花钱，而大多数论文只报改进后的分数、不报改进过程的账。北京大学三位作者（Yitong Zhang、Ang Li、Yisen Wang，2026 年 11 月，[arXiv 2611.13524](https://arxiv.org/abs/2611.13524?ref=hubwiz.com)）把这一栏单独拉出来，起名 **RSI Tax（自改进税）**，再做端到端记账。结论不太好听：

- 在 6 种方法 × 2 个模型 × 194 个任务（2,328 组打分）上，Meta-Harness、EvoSkill、RRSI 的**自改进开销是任务执行成本的 1.09—3.93 倍**；
- 这笔开销里，**验证（verify）占 74.8%—93.6%**；
- **23.7%—63.6%** 的自改进 token，花在后来在任务流里**根本没被用过**的状态或产物上；
- 而一个只维护一段 2,048 token 笔记、不做任何候选搜索的基线（SRN），在四个设置里三次准确率最高、一次打平，**总 token 还少 65.6%—71.0%**。

## 一、原文摘要

递归自我改进（RSI）试图用 agent 自己的任务经验来改进它。它的实际价值取决于一件事：**性能增益值不值得付出"自我改进 + 任务执行"的全部成本。** 作者在连续任务流上评估这个权衡，并且**在每个任务的反馈被用于后续更新之前，先把这个任务的结果记录下来**。

他们把自我改进过程的 token 成本定义为 RSI Tax，并在端到端评估中与任务执行成本并列。在六种方法和两个语言模型上，一个"有界笔记"基线（SRN）达到或超过了 Meta-Harness、EvoSkill 与 RRSI 的实测准确率，平均节省总 token **65.6%—71.0%**。

他们把 RSI Tax 拆成验证、探索、写入三类，并跟踪对应状态或产物**后续是否被使用**。对这三种 RSI 方法，验证在四个设置合并后占 RSI Tax 的 **74.8%—93.6%**。相当一部分 RSI Tax 还与"后来没有被使用"的状态或产物相关。这些结果暴露了昂贵 RSI 流程的一个实际局限：**部署时的 agent 变好了，并不意味着这个改进过程的花费是合理的。** 它们指向一类新的 RSI 目标：在保证 agent 能力沿任务流持续增长的前提下，联合优化 RSI Tax 与期望的任务执行成本。

## 二、为什么要单独记这笔账

LLM agent 用工具做软件开发和其他专业工作。持续使用中，agent 会在同一个仓库或同一个应用里反复遇到相关任务；把有用的流程和失败教训留住，可以减少重复探索、提升后续任务的表现。近期一批"顺序型"基准正是在考察这种复用：相连的工作流、相关的任务变体、技能的累积。

RSI 用任务经验去更新 agent 带进下一个任务的状态。本文专注**模型权重固定**的 RSI，并按"它更新什么组件"来分类：

- 一类维护不断演化的**记忆或技能集**，供后续任务使用（ReasoningBank、Dynamic Cheatsheet、EvoSkill、SkillOpt）；
- 另一类修改 agent 的 **harness**，包括指令、工具接口和执行用的控制代码（GEPA、Meta-Harness、RRSI、HarnessPro）。

自我改进过程本身有成本。近期有些工作比较了资源约束下的在线辅助模块与任务级搜索，把能力增益与学习成本关联起来；也有工作研究验证任务的选择、以及技能搜索成本的摊薄。但在任务流上，**每一次更新都在"它对后续任务的价值还未知"的时候先付了钱**；而任务执行本身的 token 需求也会随任务、运行和模型而变化。

作者把自我改进过程消耗的 token 称为 RSI Tax，并且明确规定：**即使 agent 最后保留了原来的状态，尝试更新所花的 token 也要计入。** 端到端成本 = 更新 token + 执行任务流用的 token。这两项是耦合的：一次更新可能让后续执行变短，也可能增加上下文、诱导更长的轨迹。真正该权衡的，是 agent 在任务流上的能力增益与这个合并成本。

## 三、实验怎么设的

### 3.1 六种方法

| 类别      | 方法              | 它更新什么                         |
| ------- | --------------- | ----------------------------- |
| 记忆 / 技能 | ReasoningBank   | 从已完成的轨迹里抽策略，后续任务检索使用          |
|         | EvoSkill        | 在可复用的技能文件夹上搜索                 |
|         | SkillOpt（本文未参评） | 对技能文档做有界编辑                    |
| harness | GEPA（未参评）       | 用执行反馈优化指令                     |
|         | Meta-Harness    | 在控制器代码上搜索                     |
|         | RRSI            | 对 harness 改动做正则化，抑制只针对某个基准的编辑 |
|         | HarnessPro（未参评） | 选 harness 时把执行成本也算进去          |

各家的评估流程差别在于"反馈什么时候可用"和"在哪里测性能"：ReasoningBank 在相邻任务之间更新记忆；EvoSkill 与 RRSI 先在固定任务集上优化技能或 harness，再到留出任务或其他基准上测被选中的状态；EvoTest 测同一游戏的重复回合内的适应；TTHE 先在无标签的当前批次上适应、再在该批次上打分；ServeLearnBench 在每个窗口内把"服务任务"与"留出测试任务"分开，并把学习调用计入资源账。

### 3.2 任务流与指标

先在任务结果被记录之后，才允许用它的反馈更新 agent。设任务序列为 x₁…x\_T，模型参数 θ 固定，任务 t 使用状态 s\_t；执行产生轨迹 τ\_t 与二元验证结果 y\_t ∈ {0,1}。更新只能使用已完成任务的历史 H\_t，受状态边界与支持窗口限制：可以读公开指令、可见轨迹与标量结果，但**不能读未来任务、参考答案或隐藏测试内容**。为重新执行已完成任务所花的 token **计入 RSI Tax**，而这些重跑不会替换任务原本的结果。

任务流有两个：

- **仓库类**：SWE-Chain-Evo 中挑选的 7 条 15 任务链，共 **105 个位置**；学到的状态在链内保留，链与链之间重置；每个任务从规定的仓库快照开始。
- **终端类**：Terminal-Bench 2.1 的 **89 个异构任务**，按固定顺序执行，学到的状态全程保留。把独立任务排成序列可以产生跨任务复用，但不会引入环境漂移。

对长度为 t 的前缀，定义累计正确数 Q(t)、准确率 A(t)=Q(t)/t、总 token N(t)=N\_task(t)+N\_RSI(t)。最终报告 A(T) 与 N(T)。

### 3.3 实验设置

六种方法（Static、ReasoningBank、EvoSkill、Meta-Harness、RRSI、SRN）× 两个模型（DeepSeek V4.1 Flash、GPT-6 Luna），共 6×2×(105+89) = **2,328 组"方法—任务"打分**。在同一个"模型—基准"设置里，各方法共享任务顺序、初始 KIRA agent 与名义执行上限。

SRN、Meta-Harness、EvoSkill 每 **4 个**完成任务更新一次，窗口内选定的状态固定；同一窗口内的并行任务互相看不到对方的反馈。支持集大小：DeepSeek/SWE 用最近 2 个任务，其余设置用 4 个。ReasoningBank 保留逐任务的检索与记忆更新（去掉它独立的记忆感知测试时扩展组件）。EvoSkill 的原始流程被改造为对变化中的支持集重新打分它已有的前沿；Meta-Harness 的选择器要求严格提升才换部署；反馈选择也保留原方法的设定——SRN 用官方标量结果挑失败任务，ReasoningBank 用它内部的轨迹裁判。

## 四、RSI Tax 怎么算

### 4.1 记账口径

对每次记录下来的模型调用 c，n(c) 是它的输入 + 输出用量。任务执行调用集 C\_task 与自我改进调用集 C\_RSI 不相交：

- N\_task = Σ\_{c∈C\_task} n(c)
- N\_RSI = Σ\_{c∈C\_RSI} n(c)
- **税率 ρ\_RSI = N\_RSI / N\_task**
- N\_total = N\_task + N\_RSI

要点：

- **税里包含"产出或评估一个更新"所花的 token，无论这个更新最终有没有被采纳。**
- 执行期间**读取**已学状态属于 N\_task；嵌入（embedding）token 计入 RSI Tax 的"探索"。
- RSI Tax 占总 token 的比例是 ρ/(1+ρ)。**税率 100% 时，自改进的花费正好等于任务执行成本。**
- 与参考方法 b 相比的"净 token 溢价"是 ΔN = N\_total,m − N\_total,b，用来和准确率对比。

### 4.2 拆成验证、探索、写入

| 方法            | Verify（验证）  | Explore（探索）     | Write（写入）        |
| ------------- | ----------- | --------------- | ---------------- |
| ReasoningBank | —           | 轨迹裁判；嵌入         | 记忆抽取             |
| Meta-Harness  | 现任与候选的验证    | 轨迹分析；候选搜索       | 候选 harness 编辑    |
| EvoSkill      | 初始、新技能与前沿验证 | 额外 rollout；技能提案 | 技能落地             |
| RRSI          | 现任与候选的验证    | 轨迹分析与摘要         | 候选 harness 生成与修订 |
| SRN           | —           | —               | 笔记分析与改写（合并为一次）   |

口径细节：**验证**是在已完成的支持任务上评估现任或候选，用于支撑选择（含基线验证、候选冒烟测试与进一步验证、以及对已有技能前沿的重新评估）；原始任务执行中做的验证仍算在 N\_task 里。**探索**是收集或分析用于提出更新的经验（额外任务 rollout、不做产物编辑的提案生成、轨迹裁判、ReasoningBank 的嵌入调用）。**写入**是创建或修订持久状态（harness 代码、技能、笔记、记忆）。每项成本只计一次，另有一个"Other"残差项。

### 4.3 "后来用到了吗"

作者把 RSI Tax 里的成本，按"对应状态或产物是否在下一次重置之前、或任务流结束之前被后续任务用到"分类。**"用到"**包括：运行更新后的 harness、执行中使用某个技能、把改写过的笔记或检索到的记忆加入 agent 的任务上下文。验证与探索成本跟着它们在记录中关联的状态或产物走，不只归到最后的写入调用上。

**这个标签记的是"后来有没有被使用"，不是实测的效果。** 也就是说，"被用到"不等于"带来准确率收益"，"没被用到"也不等于"这些调用删掉后结果不变"。

于是有：r\_no-use = （未使用状态的 token）/ N\_RSI。注意它是 **token 份额，不是更新次数或产物个数的比例**。

## 五、SRN：一个有界笔记基线

SRN（Simple Reflection with Notes）基于"累积笔记"式适应：每 4 个任务更新一次，**只用标量验证结果挑出失败任务**来改写笔记，并在后续任务上下文里带上当前笔记；笔记上限 **2,048 token**。

更新规则很朴素：在更新边界取出允许的最近窗口 W\_t，筛出其中失败的任务集 F\_t；若 F\_t 为空，笔记不变；否则让生成器读"旧笔记 + 公开指令 + 固定的轨迹摘录 + 标量结果"，产出一份新笔记，再截断到 2,048 token。有效且非空的修订直接采纳，非法响应则保持原笔记。

**SRN 不做额外任务采样、不做候选验证、不做检索搜索。** 它的总成本包含笔记构建与带笔记完整执行任务的花费。作者把它定位成"低成本的自适应对照"，并明确说实验没有把每个设计选择的贡献单独隔离。

## 六、结果

### 6.1 准确率与端到端成本

| 方法            | SWE-Chain-Evo（105 位置）DeepSeek 准确率 / 总 token(M) | SWE GPT-6 Luna    | Terminal-Bench 2.1（89 任务）DeepSeek | TB GPT-6 Luna    |
| ------------- | ---------------------------------------------- | ----------------- | --------------------------------- | ---------------- |
| Static        | 43.8 / 487.92                                  | 38.1 / 179.69     | 69.7 / 185.55                     | 66.3 / 78.86     |
| ReasoningBank | 40.0 / 520.64                                  | 37.1 / 191.21     | 69.7 / 198.87                     | 67.4 / 85.46     |
| Meta-Harness  | 45.7 / 976.61                                  | 40.0 / 495.81     | 77.5 / 762.57                     | 65.2 / 317.99    |
| EvoSkill      | 41.0 / 1,166.51                                | 40.0 / 612.39     | 71.9 / 898.72                     | 68.5 / 358.85    |
| RRSI          | 44.8 / 1,092.94                                | 39.0 / 574.07     | 74.2 / 605.75                     | 61.8 / 454.30    |
| **SRN**       | **48.6 / 492.56**                              | **41.0 / 157.07** | **78.7 / 214.65**                 | **68.5 / 87.08** |

总 token 含任务执行与 RSI Tax 两部分。四个设置等权平均后的准确率是：Static 54.46、ReasoningBank 53.56、Meta-Harness 57.10、EvoSkill 55.35、RRSI 54.94、**SRN 59.18**。

![图 1：流式评估与 RSI Tax——(a) 用已完成任务的反馈做更新，SRN 只维护一段有界笔记；(b) 税被拆成验证、探索、写入；(c) 四个设置等权平均的准确率；(d) 四个设置合计的输入+输出 token（含任务执行、三类税与 Other）](https://www.hubwiz.com/blog/content/images/2026/11/rsitax-fig1.jpg)

![图 2：准确率 vs 总 token 成本（四个设置各一图）——左上角是理想区（又准又便宜），SRN 在四个设置里都落在最左上的位置（按原文表 2 数据重绘）](https://www.hubwiz.com/blog/content/images/2026/11/rsitax-fig2.jpg)

几个关键对比：

- **相对 Static，SRN 平均准确率 +4.7 个百分点，总 token 平均只多 3.6%。**
- **相对 Meta-Harness / EvoSkill / RRSI，SRN 平均少用 65.6% / 71.0% / 68.2% 的 token**（准确率增益按差值平均，token 变化按每个设置内的比值先算再平均）。
- **SRN 的更新调用只占它总 token 的不到 0.4%**，其余全花在任务执行（含带笔记）上。
- 不同设置下"准确率—成本"的关系不一样。DeepSeek 终端流上 Static 最省（185.55M），SRN 多花 15.7% 换来 +9.0 个百分点；GPT-6 Luna 仓库流上，SRN 的任务执行 token 是 156.67M，比 Static 的 179.69M 还少，多出的 0.40M 更新成本远不能抵消这个差额——**总 token 比 Static 低 12.6%，准确率高 2.9 个百分点**。

最能说明问题的是"漏算税会反转结论"这个例子：DeepSeek 终端流上，Meta-Harness 的任务执行 token 比 SRN 少（184.13M vs 214.37M），但它 **578.45M 的 RSI Tax** 把总数推到 762.57M（SRN 是 214.65M），而准确率还略低（77.5% vs 78.7%）。

### 6.2 税率与"后来没用到"

| 方法            | SWE DeepSeek | SWE GPT-6 Luna | TB DeepSeek | TB GPT-6 Luna |
| ------------- | ------------ | -------------- | ----------- | ------------- |
| ReasoningBank | 4.78%        | 5.96%          | 4.53%       | 7.39%         |
| Meta-Harness  | 109.06%      | 177.35%        | 314.16%     | 329.15%       |
| EvoSkill      | 144.35%      | 213.21%        | 393.10%     | 358.57%       |
| RRSI          | 125.79%      | 213.02%        | 223.23%     | 346.68%       |
| SRN           | 0.04%        | 0.25%          | 0.13%       | 0.36%         |

表里是 100×N\_RSI/N\_task。**100% 意味着自改进的花费等于执行整个任务流的成本**；Static 是 0。可以看到，三个会搜索候选的方案**在四个设置里，税都超过了任务执行成本**——在终端流上甚至到 3—4 倍。

![图 3：成本拆解与后续使用——(a) 四个设置合计的 token，按任务执行/验证/探索/写入/Other 分色；(b) 按"后来是否被使用"分（实心=有使用，斜线=没使用），两行都按该方法自己的 RSI Tax 归一化](https://www.hubwiz.com/blog/content/images/2026/11/rsitax-fig3.jpg)

**税的来源。** 四个设置合并后，验证占 Meta-Harness 的 **74.8%**、EvoSkill 的 **78.1%**、RRSI 的 **93.6%**。EvoSkill 在额外 rollout 与提案上花 455.29M，而技能落地只花 4.59M；ReasoningBank 几乎把成本对半分在探索（裁判 + 嵌入）与记忆写入上；SRN 的整体笔记分析与改写操作只花 **1.21M**。

四个设置合计的自改进成本明细（M token，括号为占该方法 RSI 成本的比例）：

| 方法            | RSI 合计   | Verify           | Explore        | Write         | Other        |
| ------------- | -------- | ---------------- | -------------- | ------------- | ------------ |
| ReasoningBank | 48.98    | 0                | 24.61（50.25%）  | 24.37（49.75%） | 0            |
| Meta-Harness  | 1,648.86 | 1,233.89（74.83%） | 296.99（18.01%） | 91.74（5.56%）  | 26.24（1.59%） |
| EvoSkill      | 2,103.05 | 1,643.17（78.13%） | 455.29（21.65%） | 4.59（0.22%）   | 0            |
| RRSI          | 1,770.50 | 1,656.86（93.58%） | 45.22（2.55%）   | 68.41（3.86%）  | —            |

验证之所以这么贵，是因为它要**反复把 agent 跑在支持任务上**，而且常常每次更新都要评估多个候选或保留下来的程序。最刺眼的对比：DeepSeek 终端流上，EvoSkill 花 **497.45M** 去刷新它的旧前沿，而跑完 89 个到达任务是 **182.26M**——**光是重新评估已有程序，就比服务整个任务流还贵**，还没算额外 rollout 和新技能验证。另外，Meta-Harness 与 EvoSkill 的税里，记录下来的输入（input）约占 **98.1%**。

**"后来没用到"的份额。** 按 4.3 的归属口径：Meta-Harness **52.78%**、EvoSkill **37.91%**、ReasoningBank **63.57%**、RRSI **23.70%** 的 RSI Tax，关联的是后续任务里没有被使用的状态或产物。SRN 的全部更新成本都关联到被后续执行使用的笔记上。

同一个"没被用到"，在不同方法里来自不同环节：Meta-Harness 把 564.85M 验证、217.60M 探索、69.22M 写入花在了后来没用上的候选上；ReasoningBank 则分别是 15.51M（裁判与嵌入）与 15.63M（记忆抽取）。**只看总份额，看不出这个构成差异。**

## 七、讨论：这笔账该怎么改

**选更新策略。** 一个 RSI 更新策略应该在控制 RSI Tax 的同时，让 agent 的能力随任务到达持续增长。它的效率目标应当同时包括：当下的更新成本、期望的任务执行成本、以及剩余任务上后续更新带来的成本。这样的策略可以选择保留当前状态、更新记忆或技能、或生成并评估 harness 改动。作者也承认：**反复复用可能让更大的前期投入变得划算**；而他们的实验比的是固定流程与已实现成本，没有评估"先预测成本再选更新"的策略。

**怎么降税。** 当验证主导税时，**降低候选评估的成本**就是第一优先级——支持任务的选择与前沿的维护是两个自然的着力点（自适应验证任务选择已经有现成做法）。"后续使用"的分析还指向更克制的技能与记忆构建：不该什么都存。不过作者强调，这些改动能否在保住性能的同时降低总 token，**需要受控实验来验证**。降税与 HarnessPro、RRSI 这类"成本感知的 harness 选择"是互补的：它们的挑选目标并没有把"获取更新的成本"和"持续服务任务流的期望成本"放在一起优化。

**局限。** 评估只覆盖两个基座模型、7 条仓库链、以及终端基准的一种排序；其他模型、工作负载、排序与重复运行都还没测，因此这些比较的稳定性未知。成本归属是描述性的：**"后来被用到"不能证明带来准确率收益；"没被用到"也不能证明删掉这些调用不会改变后续更新或任务结果。** 要量化每一类成本的可压缩空间，需要受控干预。

**附录里的三个"可疑花法"**（用于说明更新轨迹长什么样，不能直接外推比例）：

1. **空转的搜索轮（proposal-free search）**——一轮搜索消耗了 token，却没产出任何提案。例：DeepSeek 的 EvoSkill 在第 68 个任务之后，先在 4 个支持任务上评估三个已有程序（44,882,109 token），又在两条额外轨迹上花 13,282,793 token，两条都成功，于是没有失败样本去触发提案器；整轮 **58,164,902 token，零新提案**，最终保留 iter-skill-7。这轮的钱大半花在"新提案还没出现之前，先把现有前沿重新评估一遍"上，而反复刷新来自实现里的滚动支持窗口（原版 EvoSkill 用固定验证集）。
2. **结果不可能改变决策的评估（decision-invariant evaluation）**——所有可能的验证结果都导向同一个采纳决定。例：GPT-6 Luna 的 Meta-Harness 在第 72 个任务之后，现任在支持集上是 100%，而选择器要求严格更高，所以任何候选的采纳概率都是 0；但新候选仍然拿到 69,715 token 的冒烟测试 + 534,126 token 的进一步验证，共 **603,841 token**。
3. **存了没被取回的记忆（unretrieved memory）**——存下来的记忆包后面明明有任务机会，却在重置前一次都没被检索。例：DeepSeek 的 ReasoningBank 在第 55 个任务（caffe-cifar-10）上花 117,631 token 判卷 + 124,108 token 抽取，产出一个三项记忆包，**剩下 34 个任务一次都没检索它**。把这条判据套到全部记忆记录上，得到 ReasoningBank 的 **53.1%—61.5%** 的 RSI token 属于这一类；终端任务上是 8.61M 里的 5.16M（DeepSeek）与 5.88M 里的 3.62M（GPT-6 Luna）。

## 八、原文结论

作者在任务流上评估了主流 RSI 方法的端到端 token 成本与任务表现，用 SRN 作为简单自适应基线，并提出 RSI Tax 来量化部署期自我改进过程的 token 成本。在被研究的任务流上，SRN 表明**有竞争力的准确率不必以高额 RSI Tax 为代价**。把 RSI Tax 拆成验证、探索、写入之后可以看到，**反复验证的 token 消耗可以超过执行任务流本身**；而相当一部分税与后续任务没用到的状态或产物相关。这些发现指向一类新的 RSI agent：在保证能力沿任务流持续增长的同时，**联合优化试错式自改进的税与期望任务执行成本**。

## 九、我们的整理：自己量一遍这笔账

**第一，把"税"当成一个独立指标，而不是成本的一部分。** 论文最实用的是那个定义：ρ = 自改进 token / 任务执行 token，100% 意味着"改自己的花费等于干正事的成本"。三个搜索型方法在四个设置里的税率是 109%—393%，终端流上尤其高——因为任务越多、机会越多，刷新前沿的次数也越多。**在你的 agent 上量这个数只需两个计数器**：把"为了更新而跑的调用"和"为了完成任务而跑的调用"打上标签分开记；如果你现在只有一个总数，那这篇论文的意思是：你看到的那条成本曲线里，很可能有一半到四分之三根本不在服务用户。

**第二，先砍验证，而不是先砍模型。** 验证占 74.8%—93.6%，其中约 98% 的 token 是**输入**——因为它们反复把支持任务、上下文、候选实现一起塞进 prompt 重跑。所以最直接的三个动作：缩小支持集、不要在"不可能改变决策"时还去验证（第 72 个任务那个 60 万 token 的例子）、以及给前沿刷新加频率上限。这也解释了为什么单靠"换更便宜的模型"救不了这类成本：贵的是次数，不是单价。

**第三，"更聪明的自改进"这条路本身需要被证明。** 一个只改一段 2,048 token 笔记、不搜索、不验证、不额外采样的做法（SRN），在四个设置里三次准确率最高、一次打平，还少用 65.6%—71.0% 的 token。作者也说得很克制：实验没有隔离每个设计选择的贡献，所以不能断言"搜索一定没用"；但至少可以说，**在这些公开任务流上，搜索式 RSI 的收益没有付清自己的账**。要证明它值得，需要的不只是"分数更高"，而是"扣除税之后仍然更高"。

**第四，跟本站另外两篇成本拆解对着看。** 前面那篇 [Agent 成本体检](https://www.hubwiz.com/blog/agent-cost-audit-context-budget-prompt-cache/)（15 个 MCP、901 个技能的启动账）说的是"常驻上下文吃掉预算"，这一篇说的是"为了改进自己而反复跑的那部分吃掉预算"——两者是同一个病根的两种表现：**把一切都塞进 prompt 重跑**。再加上那篇关于 [AI 研发加速的综述](https://www.hubwiz.com/blog/how-close-recursive-self-improvement-evidence/) 里"每位研究者每天 600 美元推理支出"的数字，可以看出一条线：能力越往"自主"走，成本结构就越从"每次问答"转向"每次自我维护"。

## 来源

- Yitong Zhang（北京大学物理学院）、Ang Li、Yisen Wang（北京大学通用人工智能国家重点实验室），[The RSI Tax: When Recursive Self-Improvement Is Not Worth the Cost](https://arxiv.org/abs/2611.13524?ref=hubwiz.com)，arXiv:2611.13524，2026-11-10
- 图 1、图 3 取自论文原文（Figure 1、Figure 3）；图 2 按论文表 2 数据重绘
- 文内所有百分比、token 数、准确率均出自论文正文与附录，未做二次估算

本文由汇智网编译整理，转载请注明出处。

> **这是「AI 基建 / 评测 / 安全」专题的一部分。**完整地图见：[AI 基建 / 评测 / 安全完全指南](https://www.hubwiz.com/blog/ai-infra-stack/)