Aether AI 发布 RSIAgent，不更新参数让开源模型超越 GPT-6 Astra
把「参数规模」换成「经验规模」：RSIAgent 靠自主探索积累记忆，让开源模型不改参数就打赢闭源模型。
Aether AI 提出 RSIAgent：不更新模型参数，让 Agent 自己进入新环境探索、试错，把稳定的「动作—条件—结果」因果关系写进可复用的 Memory。接入 Kimi-K3、GLM-5.3 等开源模型后，在 OSWorld 2.0 和 Agents' Last Exam 上超过 GPT-6 Astra。
正文摘录
.jpg) 大模型过去几年的能力跃迁，几乎都围绕一个词： Scaling 。 模型越来越强，Agent 也开始从 “会聊天” 走向 “能干活”。 但模型部署之后呢？ 一个 Agent 真正进入从没见过的软件、工具或者企业系统时，问题往往才刚刚开始。新的软件有新的交互逻辑，新的工具有新的调用方式，不同环境还有各自隐藏的约束、异常状态和失败模式。 即便底层模型已经足够聪明，它也未必真正理解这个环境里的 因果结构 ：什么操作会带来什么结果？哪些条件会触发失败？改变哪些关键因素，才能真正把任务做成？ 过去最直接的办法，是遇到一个新环境，就再收集一批交互数据，通过微调、强化学习或者人工反馈重新训练。 但这条路很难无限走下去。一方面，数据采集、标注和训练本身都要付出成本；另一方面，在企业内部软件、私人工作环境和不断变化的数字系统里，很多数据既不能公开，也不适合每换一个环境就重新训练一遍。 于是问题变成了： 如果不更新模型参数，一个 Agent 能不能像人一样，通过自己探索新环境、发现其中的因果规律、总结经验，并持续提升自己的能力？ 最近， 专注于因果智能的 Aether AI 提出了 RSIAgent 。通过 RSIAgent，他们想试另一种 Scaling： 不继续 Scale Model，而是 Scale Experience 。