递归自我改进希望让科研智能体凭借自身的实验经历，逐步提高研究能力。科学智能体群的设想是：不同方向上的证据和实现可以汇总，再用来指导下一步实验。摘要指出两个实际困难。实验结果差的时候，往往分不清该修正假设，还是该修正实现；程序的总体分数，又可能把对其他智能体仍然有用的局部组件掩盖掉。SwarmRSI把科学智能体群的进化写成一套递归自我改进框架，试图同时处理这两类问题。
反馈突变与互补重组
作者提出Feedback-Guided Swarm Mutation：用其他智能体的实验反馈，同时打磨假设及其实现，避免把两类错误捆在同一次失败里。Complementary Swarm Recombination则跨智能体复用仍被保留的假设，以及程序中具有互补价值的组件，让部分结果也能支撑新的研究，而不是整段程序随总分一起被丢弃。Recursive Swarm Evolution把上述机制接入同一反馈环，用新的实验证据引导后续研究。材料没有提供群体规模、轮次或实现细节，能确认的是失败被拆开处理，局部成果可被其他智能体接着用。
报告的实验范围
实验在OpenProblems、NatureBench和MLE-Bench Lite上进行，论文称SwarmRSI达到当时最优。进一步评估表明，积累的研究经验能够提升held-out任务上的表现。生物学家还复现了相关程序，并用于后续生物学分析。摘要未给出任何分数、对照方法和提升幅度，也未说明三个基准各自覆盖哪些任务；生物复现没有交代人数、任务类型或是否独立于作者团队。因此“最优”和“经验可迁移”都应理解为论文自称，不能补写成可核对的量化结论。
我的判断
SwarmRSI把递归自我改进从单智能体独白，改写成群体里假设、实现和局部组件如何流转，问题抓得具体。对关注科学智能体、代码智能体和科研自动化的人，这比空泛的自我迭代叙事更有对照价值。适用边界同样清楚：目前只有摘要级信息，机制如何落地、开销多大、失败如何诊断都不知道；三项基准上的最优没有数字，held-out提升没有幅度，生物复现只是定性一句。完整实验细节公布前，不宜视为可部署的科研自我改进系统，更适合看作处理失败不可分、局部被总分淹没的一条群体进化思路。