Scinetics发布ScienceRSI：科学能力可验证迁移的自我改进框架

科学大模型常卡在一件事上：擅长计算的模型与擅长机制解释的模型，优势合不到一起，错误却容易叠在一起。Scinetics提出的ScienceRSI（Recursive Scientific Self-Improvement）试图回答：面对当前模型的某个具体失误，哪位专家真的更好——只有验证通过，才允许迁移。

框架四步：

1. 专业化：训练侧重定量计算、符号推导、机制解释、证据判断的紧凑专家。
2. 验证：把回答拆成可检查要求，判断专家是否在对应要求上优于当前答案。
3. 迁移：把筛选后的反馈对准目标模型短板，而非整段灌输。
4. 复用：把改进后的模型当作下一轮专业化的起点。

公开结果（团队报告）：4B→4B科学推理均分约55.0%，高于同专家池的GRPO等对照；4B→8B跨规模迁移科学推理与领域科学均分约升1.9–2.1个百分点；8B专家向Qwen3.5-27B迁移后，七项基准等权均分约从87.3%到94.0%。消融显示去掉贡献验证或随机挪动反馈会明显掉分。

团队同时强调：本次验证的是跨规模能力迁移，尚未证明连续多轮递归一定持续上涨。对AI for Science产线，ScienceRSI的价值在于把“专家监督”从堆数据改成可审计的贡献筛选。

一句话收尾：ScienceRSI赌的是——科学能力可以像零件一样被验证后组装，而不是指望一个全能模型一次训成。