KI SpotlightNewsRecursa: Laut Autoren verbessert sich das System in neuen Domänen ohne Lehrmodell selbst
Das System soll sich ohne menschliche Experten und ohne stärkeres Lehrmodell aus eigener Erfahrung verbessern. Die Autoren berichten von höheren Trefferquoten mit zwei Modellen, unabhängig geprüft ist das bislang nicht.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Recursa passt sich ohne Experten und ohne stärkeres Lehrmodell an neue Domänen an.
- Der Wissensspeicher enthält domänenspezifische Skills, Erinnerungen an Aufgabenerfahrungen und Reflexionen zur Verbesserung.
- Parallele Learner erzeugen lokale Verbesserungen, die validiert und in den Speicher zusammengeführt werden.
- Laut Autoren steigt die All-pass-Rate auf Harvey LABs Firm-Knowledge-Benchmark mit DeepSeek-V4.1-Flash von 30,0 % auf 55,0 %.
- Mit Qwen3.8-Flash steigt die All-pass-Rate von 35,0 % auf 46,0 %.
Recursa hebt Trefferquote auf Harveys Firm-Knowledge-Benchmark, ohne Lehrmodell
Recursa soll sich in neuen Domänen aus eigener Erfahrung verbessern, ohne menschliche Experten und ohne stärkeres Lehrmodell. Die Autoren berichten, dass die All-pass-Rate auf zurückgehaltenen Testaufgaben im Firm-Knowledge-Benchmark von Harvey LAB von 30,0 auf 55,0 Prozent steigt, wenn DeepSeek-V4.1-Flash eingesetzt wird. Mit Qwen3.8-Flash wächst die Rate von 35,0 auf 46,0 Prozent. Beide Werte stammen von den Autoren selbst. Eine unabhängige Messung gibt es bislang nicht.
Das Paper „Recursa: Toward Recursively Self-Improving Foundation Model Systems“ liegt als arXiv-Preprint und als Eintrag auf Hugging Face vor. Beide Fassungen enthalten denselben Abstract. Ausgangspunkt der Arbeit: In neuen Domänen fehlen meist große Mengen von Experten erstellter Trainingsdaten und verlässliche Signale für weiteres Training.
Ein Wissensspeicher hält Skills, Erinnerungen und Reflexionen fest
Recursa legt das Gelernte in einem Wissensspeicher ab. Nach Angaben der Autoren enthält dieser domänenspezifische Skills mit Anweisungen, wann sie zu greifen sind, dazu Erinnerungen an frühere Aufgaben und Reflexionen darüber, was sich verbessern lässt.
Der Ablauf gliedert sich in drei Schritte. Zuerst entsteht der Speicher aus Domänenmaterial. Danach verfeinert ihn das System durch rekursive Selbstverbesserung: Parallele Learner bearbeiten Aufgaben und leiten daraus lokale Verbesserungen ab. Diese werden validiert und anschließend in den Speicher übernommen.
Das Paper sieht die Neuheit in der Kombination aus Wissensspeicher, parallelen Learnern sowie Validierung und Zusammenführung der Verbesserungen, und zwar ohne menschliche Aufsicht und ohne Lehrmodell.
Selbstverbesserung: Anspruch der Autoren, unabhängig nicht geprüft
Dass die Verbesserungen ohne menschliche Aufsicht validiert werden, und dass sich das System als Schritt hin zu rekursiv selbstverbessernden Foundation-Model-Systemen versteht, sind Selbsteinordnungen der Autoren. Ob die Kombination gegenüber bestehenden Ansätzen tatsächlich neu ist, lässt sich nicht klären. Der Versuch, Recursa einzuordnen, blieb ohne Ergebnis. Die Neuheit ist daher nicht verifiziert.
Prüfen ließe sich einiges. Dazu gehören der Volltext mit dem Validierungsmechanismus und Ablationen, eine unabhängige Reproduktion mit Code und Daten sowie die Frage, ob die Validierung wirklich ohne externe Signale wie Testfälle oder Rubriken auskommt. Das Material nennt keine konkreten Adressaten, daraus ergibt sich kein Handlungsbedarf für Dritte.
