冻结模型权重，Agent 还能持续进化：ModularRSI 探索 Harness 自我改进

IQuest Research 联合北京航空航天大学、曼彻斯特大学等推出 ModularRSI 框架，探索在基础模型全程冻结的前提下，让 Agent 依托自身执行经验持续迭代优化外围运行机制 Harness，实现递归自我改进。该框架将 Harness 拆分为五个独立模块分别演化，通过多轮轨迹对比筛选系统性缺陷，经三道验证机制过滤特化修改后再整合各模块能力，在 Terminal-Bench 2.0 上实现准确率从 47.57 提升至 52.43。实验证明这类 Harness 层面的改进可跨任务、跨领域迁移，甚至能适配不同的未参与演化的基础模型，同时研究还发现中等难度的任务数据最能支撑 Harness 提取通用执行机制，区别于简单的经验记忆，其演化出的是可复用的通用执行规则，为 Agent 的递归自我改进提供了脱离模型权重更新的新路径。