英文：Model Self-Evolution 分类：frontier
指模型在人类设定的边界闭环内，借助前沿模型加速对自身研发流程的改进，包括自动提出假设、生成与筛选训练数据、设计训练目标、微调与评测反馈，从而持续提升自身能力。当前多为「有界自进化」（bounded self-evolution）：模型在人类给定的参数、框架与评价机制约束下自主改进，尚未实现完全自主、永不停止的递归自我改进（RSI）。
典型闭环为「提出改进方案→训练/微调→自动评测→择优保留」，常结合自动化数据引擎（自动合成难例、过滤低质样本）、强化学习与进化搜索（如对模型变体做锦标赛式选择）。关键难点在于避免奖励黑客（reward hacking）、防止能力评估被自我评估高估，并保证改进方向与人类目标一致。
早期研究聚焦神经架构搜索（NAS）与自动机器学习（AutoML）；2024年起出现用大模型改写模型代码、生成训练数据、辅助RLHF的「AI for AI」实践；2026年行业普遍认为模型自进化已出现局部实践，但总体仍处早期，参数、运行框架与评价机制将协同演进。
用于自动扩充训练数据、持续微调垂直模型、自动化实验与消融分析，被视为提升研发效率、缩短模型迭代周期的重要方向；科研、软件工程与复杂产业应用是其最有潜力的落地场景。
相关词条：合成数据 · 长度外推 · 测试时训练 · 智能体终端 · Agent Harness