+− THE DAILY DIFFdev & AI news
NEEDS REVIEW

రిక‌ర్సివ్ సెల్ఫ్-ఇంప్రూవ్‌మెంట్, అంతర్గత విషయాలు

గూగుల్ డీప్‌మైండ్ "Dream-RSI: Recursive Self-Improvement through Evolving Worlds"ను ప్రచురించింది — మరియు దానిలోని కోడింగ్ మోడల్ ఎప్పుడూ మారదు.

Want to see our stories first on Google? Add us to your preferred sources — it helps us grow.

గూగుల్ డీప్‌మైండ్ "Dream-RSI: Recursive Self-Improvement through Evolving Worlds"ను ప్రచురించింది — మరియు దానిలోని కోడింగ్ మోడల్ ఎప్పుడూ మారదు. అంతర్గత విషయాలు: 60 సంవత్సరాలుగా ఈ పదం అర్థం ఏమిటి, Dream-RSIలో వాస్తవంగా ఏమి లూప్ అవుతుంది (రికార్డ్ చేయబడిన శోధన చెట్లపై "కలలు కనే" ఒక పైథాన్ అన్వేషణ విధానం), మరియు 550 ఏజెంట్ కాల్స్ బదులుగా 317 ఏజెంట్ కాల్స్ తగ్గింపు, టేకాఫ్ కాదు అని ఎందుకు. తీర్పు: NEEDS REVIEW.

వ్రాతపూర్వక సంచికను చదవండి (ఇంగ్లీష్) ↗

ఈ వీడియో ఏమి కవర్ చేస్తుంది

  • 1965 → 2008: I. J. Good యొక్క "ఇంటెలిజెన్స్ ఎక్స్‌ప్లోషన్", యుడ్‌కోవ్స్కీ యొక్క సీడ్ AI — తన సొంత వెయిట్స్‌ను తిరిగి వ్రాసే యంత్రం
  • 2025: AlphaEvolve — 48-గుణకారం 4×4 మ్యాట్రిక్స్ గుణకారం, Google యొక్క కంప్యూట్ 0.7% తిరిగి పొందబడింది, జెమిని కెర్నల్స్ 23% వేగవంతం
  • 2026: Dream-RSI — విధానం మెరుగుపడుతుంది, కోడర్, న్యాయమూర్తి మరియు తిరిగి వ్రాసేవారు అందరూ స్తంభింపబడతారు; ప్రాంప్ట్ "శాస్త్రీయ పనిని పరిష్కరించవద్దు" అని చెబుతుంది
  • X: "గూగుల్ ఇప్పుడే రికర్సివ్ సెల్ఫ్-ఇంప్రూవ్‌మెంట్‌ను ఛేదించింది" (819 లైక్‌లు) vs HN: "దీనిని RSI అని పిలవడం తప్పుదోవ పట్టించేదిగా ఉంది"
  • ఉపయోగించిన సంఖ్యలు: §4.1 లాస్సో 550 → 317 ఏజెంట్ కాల్స్, 3587 → 2931 ms; పట్టిక 1 సర్కిల్ ప్యాకింగ్ 2.635983 = AlphaEvolveV2; §4.3 కెర్నల్‌బెంచ్ 2.43× / 1.79× తక్కువ తరాలు, 2.09× వరకు వేగవంతం; అనుబంధం B.2 ప్రాంప్ట్ (అన్ని పై PDF నుండి)

ప్రశ్నలు మరియు సమాధానాలు

AIలో పునరావృత స్వీయ-మెరుగుదల అంటే ఏమిటి?

ఒక AI సిస్టమ్ తనను తాను తెలివిగా మార్చుకుంటుంది, ఆపై తెలివైన వెర్షన్‌ను మళ్ళీ అదే చేయడానికి ఉపయోగిస్తుంది. I. J. Good 1965లో ఇంటెలిజెన్స్ ఎక్స్‌ప్లోషన్‌ను వివరించారు, మరియు ఎలీజర్ యుడ్‌కోవ్స్కీ 2008 వ్యాసం AI భద్రతకు ఈ ఆలోచనను కేంద్రంగా చేసింది. దశాబ్దాలుగా ఈ పదబంధం తన సొంత సోర్స్ కోడ్ లేదా వెయిట్‌లను తిరిగి వ్రాసి, ప్రతి పాస్‌లో తెలివిగా బయటపడే సిస్టమ్‌ను సూచిస్తుంది.

en.wikipedia.org · www.lesswrong.com

గూగుల్ డీప్‌మైండ్ యొక్క డ్రీమ్-RSI పేపర్‌లో వాస్తవంగా ఏమి మెరుగుపడుతుంది?

కేవలం అన్వేషణ విధానం మాత్రమే మెరుగుపడుతుంది. ఇది ఒక పైథాన్ ప్రోగ్రామ్, ఇది శోధన వృక్షం యొక్క ఏ శాఖలను విస్తరించాలో నిర్ణయిస్తుంది. పేపర్ ప్రకారం, కోడర్, జడ్జి మరియు రీరైటర్ అన్నీ స్తంభింపచేసిన జెమిని భాగాలు, మరియు అనుబంధం B.2లోని ప్రాంప్ట్ సిస్టమ్‌ను ఒక ఫైల్‌ను సవరించమని మరియు శాస్త్రీయ పనిని పరిష్కరించవద్దని చెబుతుంది.

arxiv.org · dream-rsi.com

AI సిస్టమ్ కొత్త వ్యూహాలను నిజమైన హార్డ్‌వేర్‌కు బదులుగా రికార్డ్ చేసిన రన్‌లకు వ్యతిరేకంగా ఎలా పరీక్షిస్తుంది?

డ్రీమ్-RSI ప్రతి గత రన్‌ను రీప్లే సిమ్యులేటర్‌గా మారుస్తుంది. ప్రతి రన్ ప్రయత్నించిన వాటి మరియు స్కోర్ చేసిన వాటి యొక్క వృక్షాన్ని వదిలివేస్తుంది, మరియు స్తంభింపచేసిన జెమిని విధానాన్ని తిరిగి వ్రాస్తుంది. కొత్త విధానం నిజమైన GPUలకు బదులుగా రికార్డ్ చేయబడిన ఫలితాలకు వ్యతిరేకంగా పరీక్షించబడుతుంది. పేపర్ దీనిని కలలు కనడం అని పిలుస్తుంది, మరియు ఒక నిజమైన రన్ వేల కలలు కన్న వాటికి చెల్లిస్తుంది.

arxiv.org

డ్రీమ్-RSIలో కొలవబడిన లాభాలు ఎంత పెద్దవి?

లాభాలు సామర్థ్య పొదుపులు. లాస్సో టాస్క్‌లో, స్థిరమైన అన్వేషణకు 550 ఏజెంట్ కాల్‌లు మరియు డ్రీమ్-RSIకి 317 అవసరం, రన్‌టైమ్ 3587 నుండి 2931 msకి తగ్గింది. కెర్నల్‌బెంచ్‌లో దీనికి 2.43× తక్కువ తరాలు అవసరం. సర్కిల్ ప్యాకింగ్ 2.635983 స్కోర్ చేసింది, ఇది ఆల్ఫాఎవోల్వ్V2 వలెనే. ఇది గణనపై తగ్గింపు, ఎపిసోడ్ ప్రకారం, మరియు కొత్త సామర్థ్యం కాదు.

arxiv.org

డెవలపర్లు డ్రీమ్-RSIని పునరావృత స్వీయ-మెరుగుదల అని పిలవాలా?

ది డైలీ డిఫ్ యొక్క తీర్పు NEEDS REVIEW. లూప్ నిజమైనది మరియు పొదుపులు కొలవబడ్డాయి, కానీ కవర్‌పై ఉన్న రెండు పదాలు పేపర్‌లో లేని యంత్రాన్ని వివరిస్తాయి. తదుపరి RSI పేపర్‌కు ఉపయోగకరమైన తనిఖీ ఏమి మారాలి, ఎవరు స్తంభింపచేయబడ్డారు మరియు హెడ్‌లైన్ నంబర్ ఏ యూనిట్‌లో కొలవబడుతుంది అని అడగడం.

arxiv.org · news.ycombinator.com

అనువదించబడిన ట్రాన్స్క్రిప్ట్

అసలైన ఆంగ్ల కథనం నుండి అనువదించబడింది. అందుబాటులో ఉన్న ఆడియో మరియు క్యాప్షన్లు YouTube ద్వారా నియంత్రించబడతాయి.

0:00 రిక‌ర్సివ్ సెల్ఫ్-ఇంప్రూవ్‌మెంట్ అంటే ఒక AI తనను తాను తెలివిగా మార్చుకుంటుంది అనే ఆలోచన, ఆపై మరింత తెలివైన స్వీయను మళ్లీ అదే పని చేయడానికి ఉపయోగిస్తుంది, మరియు ఈ వారం Google ఒక శీర్షికలో ఆ రెండు పదాలతో కూడిన పేపర్‌ను ప్రచురించింది, అందులో మోడల్ యొక్క వెయిట్‌లు ఎప్పుడూ కదలవు. మూడు సంఖ్యలు. ఆంత్రోపిక్ CEO ఈ లూప్ వేసవి నుండి నడుస్తోందని చెబుతున్నారు, అదే ఆయన మొత్తం పరిశ్రమను నెమ్మదింపజేయడానికి కారణం. Google ఇప్పుడే దానిని ఛేదించిందని ప్రకటించిన ట్వీట్‌కు ఒక రోజులో ఎనిమిది వందల లైక్‌లు వచ్చాయి ఒక రోజులో.

0:24 మరియు పేపర్ యొక్క ప్రధాన ఫలితం 550 బదులుగా 317 మోడల్ కాల్స్, ఇది తగ్గింపు, టేకాఫ్ కాదు. మూడు నిమిషాల్లో: ఈ పదం ఎక్కడ నుండి వచ్చింది, Dream-RSI లోపల వాస్తవంగా ఏమి లూప్ అవుతుంది, మరియు కవర్ మీద RSI ఉన్న తదుపరి పేపర్‌ను ఎలా చదవాలి. ఇది The Daily Diff, అంతర్గత విషయాలు. 1965. I. J. గుడ్, ట్యూరింగ్ పక్కన పనిచేసిన బ్లెచ్లీ పార్క్ గణాంకవేత్త, ఒక అల్ట్రాఇంటెలిజెంట్ యంత్రం ఇంకా మంచి యంత్రాలను రూపొందించగలదని వ్రాశాడు,

0:52 దీనిని ఇంటెలిజెన్స్ ఎక్స్‌ప్లోషన్ మరియు మానవుడు ఎప్పుడూ చేయాల్సిన చివరి ఆవిష్కరణ అని పిలిచాడు, ఆ యంత్రం దానిని ఎలా నియంత్రించాలో మనకు చెప్పడానికి తగినంత విధేయత కలిగి ఉంటే, అది కామా తర్వాత ప్రజలు చదవడం మానేసే ప్రొవైడెడ్-దట్. నలభై సంవత్సరాలుగా ఈ పదం ఖచ్చితంగా దానినే అర్థం చేసుకుంది: తన సొంత మూలాన్ని లేదా వెయిట్‌లను సవరించి, ప్రతి పాస్ తర్వాత తెలివిగా బయటకు వచ్చే వ్యవస్థ. ఎలిజెర్ యుడ్‌కోవ్స్కీ యొక్క 2008 వ్యాసం దానిని AI భద్రత యొక్క భారాన్ని మోసే పదంగా మార్చింది, మరియు దానిని పరీక్షించడానికి ఎవరికీ యంత్రం లేదు, ఇది ఒక నిర్వచనానికి అనువైన పరిస్థితి. అప్పుడు మే 2025లో డీప్‌మైండ్ AlphaEvolve ను విడుదల చేసింది,

1:23 కోడ్‌ను ప్రతిపాదించే జెమిని ఏజెంట్, దానికి స్కోర్ చేయబడుతుంది, విజేతలను ఉంచి వాటిని మళ్లీ మార్పు చేస్తుంది. ఇది నలభై ఎనిమిది దశల్లో నాలుగు-బై-నాలుగు కాంప్లెక్స్ మ్యాట్రిక్స్‌లను గుణించింది, 1969లో స్ట్రాసెన్ నెలకొల్పిన రికార్డును బద్దలుకొట్టింది, మరియు ఇది Google యొక్క ప్రపంచవ్యాప్త కంప్యూట్ సున్నా పాయింట్ ఏడు శాతం తిరిగి పొందుతుంది, ఇది Google స్థాయిలో ఒక సోఫా కింద దొరికిన డేటా సెంటర్. జెమిని ఇప్పుడు జెమినికి శిక్షణ ఇవ్వడానికి సహాయపడుతోంది, మరియు ఈ పదం నిశ్శబ్దంగా భద్రత బ్లాగుల నుండి పత్రికా ప్రకటనలలోకి మారింది. Dream-RSI ఆ లూప్ పైన ఒక కంట్రోలర్‌ను బోల్ట్ చేస్తుంది.

1:52 ఒక పాలసీ, ఒక అసలు పైథాన్ ప్రోగ్రామ్, నిర్ణయిస్తుంది శోధన చెట్టు యొక్క ఏ శాఖలను విస్తరించాలి, ఎన్ని సమాంతరంగా, మరియు ఎప్పుడు వదిలివేయాలి. జెమిని అభ్యర్థి కోడ్‌ను వ్రాస్తుంది, మరియు ఒక స్థిరమైన ఎవాల్యుయేటర్ దానికి స్కోర్ చేస్తుంది. ప్రతి రన్ ప్రయత్నించిన వాటి మరియు స్కోర్ చేయబడిన వాటి చెట్టును మిగిల్చిపోతుంది. ఆ చెట్టు ఒక రీప్లే సిమ్యులేటర్‌గా మారుతుంది: ఒక రెండవ, అదేవిధంగా స్తంభింపబడిన జెమిని పాలసీని తిరిగి వ్రాస్తుంది, మరియు కొత్త పాలసీని రికార్డ్ చేయబడిన ఫలితాలకు వ్యతిరేకంగా పరీక్షిస్తారు అసలు GPUs పై కాకుండా.

2:16 ఈ పేపర్ దీనిని డ్రీమింగ్ అని పిలుస్తుంది, మరియు ఒక అసలు రన్ వేల కలలు కన్న వాటికి సున్నా అమలు వ్యయంతో చెల్లిస్తుంది. విజేత తిరిగి ఆన్‌లైన్‌కు వెళ్తాడు, రికార్డ్ చేయబడిన ప్రపంచాల పూల్ పెరుగుతుంది, పునరావృతం. మరియు అనుబంధం B.2 లోని ప్రాంప్ట్ స్వీయ-మెరుగుపరుచుకునే AI కి చెబుతుంది, వ్రాసినట్లు: ఈ ఒక్క ఫైల్‌ను మాత్రమే సవరించండి, మరియు శాస్త్రీయ పనిని పరిష్కరించవద్దు. కొలవబడింది. లాస్సో సాల్వర్ పనిలో, స్థిరమైన అన్వేషణ మూడు పాయింట్ ఆరు సెకండ్లు చేరుకోవడానికి 550 జెమిని కాల్స్‌ను ఉపయోగించింది, Dream-RSI రెండు పాయింట్ తొమ్మిది చేరుకోవడానికి 317 ఉపయోగించింది, మరియు రెండూ scikit-learn ను అధిగమించాయి. మరియు రెండూ scikit-learn ను అధిగమించాయి.

2:46 కెర్నల్‌బెంచ్ పై ఇది సుమారు రెండు పాయింట్ నాలుగు రెట్లు తక్కువ తరాలతో అదే కెర్నల్ వేగాన్ని చేరుకుంది. మరియు సర్కిల్ ప్యాకింగ్ పై ఇది రెండు పాయింట్ ఆరు మూడు ఐదు తొమ్మిది ఎనిమిది మూడు స్కోర్ చేసింది, ఇది ఖచ్చితంగా, ఆరు దశాంశాలకు, AlphaEvolve వెర్షన్ రెండు గత సంవత్సరం స్కోర్ చేసినది. కాబట్టి X శీర్షికను చదివింది: Google ఇప్పుడే రికర్సివ్ సెల్ఫ్-ఇంప్రూవ్‌మెంట్‌ను ఛేదించింది. హ్యాకర్ న్యూస్ PDF ను చదివింది: దీనిని RSI అని పిలవడం తప్పుదోవ పట్టించేదిగా ఉంది. మరియు అదే వారం ఒక పోటీదారు CEO లూప్ వేసవి నుండి నడుస్తోందని చెప్పారు మరియు అందరూ నెమ్మదిగా వెళ్ళాలి.

3:13 మూడు వాక్యాలు, అవే రెండు పదాలు, మూడు వేర్వేరు యంత్రాలు. కాబట్టి, సోమవారం, తదుపరి RSI పేపర్‌ను ఎలా చదవాలి. ఒకటి: ఏ వస్తువు మారుతుంది, వెయిట్‌లు, కోడ్, లేదా శోధన సెట్టింగ్‌లు అని అడగండి; Dream-RSI మూడవదాన్ని మారుస్తుంది. రెండు: ఎవరు స్తంభింపబడ్డారు అని అడగండి; ఇక్కడ అది కోడర్, న్యాయమూర్తి మరియు తిరిగి వ్రాసేవాడు, ముగ్గురూ. మూడు: ప్రధాన సంఖ్య దేనికి యూనిట్ అని అడగండి. ఆదా చేయబడిన కంప్యూట్ ఆప్టిమైజేషన్; మోడల్ ఇంతకు ముందు చేరుకోలేని బెంచ్‌మార్క్ టేకాఫ్, మరియు ఎవరూ ఇంకా దానిని ప్రచురించలేదు.

3:40 తీర్పు, అంతర్గత విషయాలు: NEEDS REVIEW. లూప్ నిజం, పొదుపులు కొలవబడ్డాయి, మరియు కవర్ పై ఉన్న రెండు పదాలు పేపర్‌లో లేని యంత్రాన్ని వివరిస్తాయి. నేను చెప్పేది వినడం కంటే మీరు దీన్ని చదవడానికి ఇష్టపడితే, డిఫ్ ప్రతి ఉదయం మీ ఇన్‌బాక్స్‌లో ఉచితంగా వస్తుంది, the daily diff dot dev లో, లింక్ కింద ఉంది. తదుపరి ఏమి తెరవాలి అని వ్యాఖ్యలలో నాకు చెప్పండి. మరియు ఈ రోజుకు ఇదే డిఫ్. నేను Axrisi నుండి నికో.

4:00 బాధ్యతాయుతంగా విలీనం చేయండి.

మూలాలు

  1. Paper: Dream-RSI (Zheng et al., Google / Google DeepMind / UMD / UVA, 14 Sep 2026)arxiv.org
  2. Code (293 stars, no license) — https://github.com/zhengkid/Dream-RSI · project pagedream-rsi.com
  3. Hacker News thread (169 points)news.ycombinator.com
  4. Hugging Face papers (278 upvotes)huggingface.co
  5. I. J. Good, 1965, "Speculations Concerning the First Ultraintelligent Machine"en.wikipedia.org
  6. Eliezer Yudkowsky, "Recursive Self-Improvement", LessWrong, 1 Dec 2008www.lesswrong.com
  7. Google DeepMind, AlphaEvolve (14 May 2025): 0.7% compute, 48 multiplications, 23% kernel speed-updeepmind.google
  8. Dario Amodei, "We Must Pace the Frontier" (12 Sep 2026)darioamodei.com
  9. Tweetx.com

Niko from Axrisi

Nikoloz Turazashvili · Vexrail · Axrisi

LinkedIn · dev.to · GitHub · X · Substack

సంబంధిత వీడియోలు

under-the-hood · te · 12 అక్టో, 2026

హగ్గింగ్ ఫేస్ మోడల్ ఫైళ్లు దాచిన కోడ్‌ను అమలు చేయగలవు

హానికరమైన మోడల్ ప్యాకేజీలు సురక్షితం కాని లోడింగ్ సమయంలో కోడ్‌ను అమలు చేయగలవు. పికిల్ రివర్స్ షెల్లు, బ్రోకెన్-ఫైల్ స్కానర్ ప్రవర్తన మరియు పరిశోధన-నిరూపితమైన మోడల్-పేరు గందరగోళాన్ని మూడు డాక్యుమెంట్ చ

3:33 ↗
under-the-hood · te · 11 అక్టో, 2026

ప్రతిస్పందన అదృశ్యమైనప్పుడు Stripe మీ అభ్యర్థనను గుర్తుంచుకుంటుంది

సర్వర్ ఆపరేషన్‌ను పూర్తి చేసిన తర్వాత సమయం ముగియడం చెక్‌అవుట్‌ను అనిశ్చితంగా ఉంచగలదు. ఈ 'అండర్ ది హుడ్' వివరణకర్త Stripe API v1 యొక్క డాక్యుమెంట్ చేయబడిన ఐడెంపోటెన్సీ కాంట్రాక్ట్‌ను ఉపయోగించి స్థిరమైన

2:54 ↗
under-the-hood · te · 10 అక్టో, 2026

Shopify ఇన్వెంటరీ రిజర్వేషన్లను MySQLలోకి తరలించింది

Shopify తన ఇన్వెంటరీ రిజర్వేషన్ సిస్టమ్‌ను Redis నుండి ఇప్పటికే ఇన్వెంటరీ లెడ్జర్‌ను కలిగి ఉన్న MySQL డేటాబేస్‌లోకి మార్చింది. వ్యక్తిగతంగా లాక్ చేయగల యూనిట్ వరుసల బౌండెడ్ పూల్, ఏకకాల చెక్‌అవుట్‌లను వ

2:58 ↗
under-the-hood · te · 24 సెప్టెం, 2026

SAML, తెర వెనుక: అక్షరం లోపల ఉన్న సంతకం

SAML మిమ్మల్ని దాదాపు ప్రతి పని యాప్‌లోకి లాగిన్ చేస్తుంది, మరియు దాని సంతకం అది సంతకం చేసే XML లోపల ఉంటుంది. తెర వెనుక: యాప్, బ్రౌజర్ మరియు గుర్తింపు ప్రదాత మధ్య లాగిన్ డ్యాన్స్, ఒక ఆమోదం ఎలా కనిపిస్

3:02 ↗