精选85Hugging Face 每日论文（json_list）论文研究
Meta^n：通过递归自改进实现涌现深度
Meta^n: Recursive Self-Improvement through Emergent Depth
推荐理由
做自改进 Agent 或研究递归架构的同学必看，Meta^n 用固定元操作递归输入突破了元深度上限，ARC-AGI-2 上唯一非零成绩很有说服力，建议直接读代码复现。
自我改进的LLM代理优化的是答案，而非产生这些答案的过程。添加元层的系统会固定该层，而自我编辑的系统必须保留部分自身编辑机制不变以保持稳定，从而将实现的元深度限制在约两层。我们提出Meta^n，它保持元操作固定，并对其输入进行递归。该操作Ω被反复应用于其自身产物，读取下方求解器堆栈的轨迹以及生成这些轨迹的代码，然后将下一层写为战略预处理和可调用辅助函数库。由于Ω从不改变，它不会破坏系统稳定性，且由于其输入严格增长，每一层都比上一层从更高的视角进行推理。深度由收敛决定而非预先固定，进化档案库在层链上进行搜索。在两种骨干网络上，Meta^n在所有八个基准家族上均优于先前的自我改进代理。最显著的情况是ARC-AGI-2，该基准旨在抵抗技能记忆，只有Meta^n得分高于零。消融实验表明，递归带来的大部分收益来自每一层传递给下一层的条件设置，且尽管没有提示规定，不同层的角色会随深度而显现。代码见https://github.com/minnesotanlp/meta-n
更进一步：量化金融体系
看懂新闻只是起点——沿量化金融路径，把它变成能交付的工程能力