26年8月以来，头部模型厂商连续披露RSI(Recursive Self-Improvement)相关进展。OpenAI和Anthropic相继披露内部AI研发自动化数据，智谱也在博客中公布Infra Agent参与GLM-5.3-Flash推理基础设施优化的实践。我们认为，RSI已经开始进入真实模型研发和生产系统，其进展也开始可以通过AI主导研发任务占比、Agent工作量等量化指标进行观察。当前公开实践主要集中在研发自动化和系统优化环节，后续可以持续关注AI在跨任务经验复用和跨模型代际继承方面的表现。随着AI承担更多实验和执行工作，我们看好基础模型、算力、CPU及AI安全与模型可观测性相关需求。
　　RSI进入可度量阶段，AI开始承担真实研发任务
　　Anthropic博客数据显示，截至2026年8月，Claude已在26%的AI研发任务中达到AI主导，超过90%的任务达到AI协作及以上；OpenAI在博客中提到，截至8月中旬，研究组织中Agent的日均运行时长已相当于人类研究人员工作时长的3.1倍，每位活跃实验人员的实验数量达到统计以来高位。当前AI参与较多的环节集中在实验执行，已覆盖代码编写、实验运行和结果分析，并开始向AI4S场景中的实验设计与反馈闭环延伸，但高层研究判断的自动化程度相对较低。我们认为，AI研发自动化已经开始改变研发投入结构，模型迭代速度后续更取决于验证效率和研究判断能力。
　　厂商路径开始分化，改进对象逐步覆盖算法与研发系统
　　头部模型厂商已经形成不同的RSI实现路径。Anthropic和OpenAI重点提高AI在真实研究任务中的参与度；Google推进算法搜索，并让历史探索轨迹影响后续搜索方式；Meta强调跨任务经验积累，探索基于持久记忆的Agent自我改进；智谱将RSI用于推理基础设施优化，博客中提到GLM-5.3-Flash端到端吞吐较初始基线提升约3倍；MiniMax M2.7修改Research Harness，博客中提到自主迭代后内部评测提升约30%；SSI更关注泛化能力和持续学习，尝试将学习结果持续转化为模型能力。我们认为，当前RSI实践已经开始形成可保留的改进结果，代码、Harness和搜索策略可以继续用于后续任务，跨任务复用将成为下一阶段的重要观察指标。
　　可验证性、长时程、继承与研究判断是RSI未来扩张的重要约束
　　RSI目前进展较快的任务普遍具备较强的可验证性。代码可以通过测试判断结果，Kernel和Infra可以直接比较性能指标，开放研究问题则更依赖人工判断；随着实验量增加，验证误差可能在多轮迭代中累积。OpenAI博客中的数据显示，在成功完成的4-8小时研究任务中，50%以上至少发生一次人工干预，表明任务时间拉长后，状态管理和异常恢复对Agent自主性的影响明显增加。我们认为，验证可靠性、长时程自主性和跨轮继承是RSI未来扩张的重要约束，研究判断能力则影响实验规模和研发效率能否继续提升。
　　投资结论
　　我们建议关注四条投资主线：1）基础模型。RSI有望加快模型迭代并提升研发效率，看好领先基模厂商。相关公司包括智谱、MiniMax。2）算力。RSI提高单个研究员能够管理的Agent数量和实验并发度，同时增加验证和复现计算，算力需求有望提升。3）CPU。长时程研发Agent需要持续调用外部工具，多Agent并行还会增加任务调度和环境交互，CPU侧执行负载有望随Agent规模扩大。相关公司包括禾盛新材、海光信息、中国长城。4）AI安全及可观测性。RSI提高Agent自我迭代能力后，异常检测及行为记录的重要性上升，建议关注AI安全及Infra侧模型可观测性相关方向。
　　风险提示：宏观经济波动，技术进步不及预期，中美竞争加剧。