Tres trabajos publicados entre el 24 y el 26 de octubre dan, por primera vez, un marco operativo a lo que la comunidad llama automejora recursiva (RSI, de «recursive self-improvement»). Una encuesta de la USTC y sus coautores define por qué la automejora por sí sola no garantiza mejora fiable, y organiza el problema en cuatro temas (mejora genuina, preservación de restricciones, seguridad y privacidad, transparencia) y tres perspectivas (validez, preservación, supervisión). Un segundo trabajo, Skill∞ (NTU), convierte la optimización de skills de agentes en un procedimiento recursivo: un agente meta optimiza skills de tarea con una meta-skill… y optimiza la meta-skill con el mismo procedimiento. Y el tercero, AutoTavern (Nanjing), es una historia concreta de 20 días en la que un sistema de agentes LLM especializados construyó —desde datos en bruto— un simulador fiel de Hearthstone Battlegrounds, un agente que entrena contra oponentes calibrados al juego en vivo, y un benchmark de 960 tareas. En los tres casos, el «mejor sistema que se pueda construir con los mismos datos» es el que construye el agente, no el que programa un humano.
La pregunta que la encuesta «Trustworthy Recursive Self-Improvement» (arXiv 2610.35193, Pu et al., USTC) se hace primero es la buena: ¿qué significa, exactamente, que un sistema se auto-mejore recursivamente? Y la respuesta es un marco operativo, no una definición literaria. La automejora recursiva (RSI) extiende el proceso habitual —un modelo que usa experiencia y retroalimentación para hacer cambios persistentes en sus prompts, memorias, tools y workflows — a las inducciones y a los propios mecanismos que gobiernan futuras actualizaciones; esos mecanismos, a su vez, pueden ser revisados y reutilizados entre ciclos de mejora. En otras palabras, el sistema no solo se vuelve mejor: mejora la forma en que mejora.
La parte importante de la encuesta, y la razón por la que merece la portada, es su tesis: la automejora por sí sola no garantiza mejora fiable. Los autores enumeran, con calma, los modos en que un sistema que se auto-mejora puede empeorar: mejoras reportadas que en realidad reflejan evaluaciones defectuosas, capacidades adquiridas antes que se erosionan, cumplimiento de restricciones conductuales que se debilita, artefactos comprometidos o información sensible que persiste en los sucesores, y —el punto más sutil— que los cambios en el propio mecanismo de mejora invalidan verificaciones previas y hacen la supervisión humana menos eficaz. A partir de ahí organizan los requisitos de RSI fiable en cuatro temas conectados —mejora genuina y sostenida; restricciones conductuales, alineación y equidad; seguridad y privacidad del sistema; transparencia y controlabilidad— y los examinan desde tres perspectivas: validez de la mejora, preservación de restricciones y supervisión eficaz. El mapa cubre las cuatro fases de una actualización (diagnóstico, propuesta, evaluación, implementación, S1–S4) y su aplicación recursiva al mecanismo (RI). Es el primer intento serio de convertir «RSI» en algo que se pueda auditar, no solo algo que se pueda publicar.
El segundo trabajo, Skill∞ (arXiv 2610.35434, Tao et al., NTU), toma una consecuencia concreta de esa definición: los agentes de lenguaje guardan su conocimiento procedimental en skills reutilizables, y optimizar esas skills es una vía directa hacia la RSI, porque el procedimiento de optimización puede codificarse como una skill en sí mismo. Los optimizadores de skills existentes, sin embargo, siguen un procedimiento diseñado a mano; incluso los que evolucionan una meta-skill la confinan a un pipeline fijo y la reaprenden para cada tarea. Skill∞ rompe esa asimetría: un agente meta sigue una meta-skill para optimizar skills de tarea, y usa el mismo procedimiento para optimizar la meta-skill. La optimización es dirigida por el agente: el agente meta diagnostica trazas de ejecución, propone candidatos, pide revisiones independientes y asigna el presupuesto de búsqueda; la meta-skill define estos pasos, y por tanto la automejora puede reescribirlos. La meta-skill además queda desacoplada de las skills de tarea: se refina en varias tareas de optimización de skills y luego se reutiliza en dominios diversos. En SkillsBench (83 tareas), Skill∞ llega a una tasa de acierto del 60,7 %, frente al 56,4 % de skills curadas a mano y el 54,5 % de SkillEvolver.
El tercer trabajo, AutoTavern (arXiv 2610.33845, Ma y Wang, Nanjing; repositorio MCG-NJU/AutoTavern, MIT), es la demostración empírica de que el marco no es decorativo. Hearthstone Battlegrounds es un auto-battler de ocho jugadores con tiendas estocásticas, combates, información oculta y casi un millar de cartas que interactúan —un problema duro del mundo real, con reglas ambiguas y retroalimentación costosa. AutoTavern es un sistema de investigación auto-mejorable: agentes LLM especializados comparten una memoria de investigación con tipos, cada afirmación pasa por puertas de verificación, y las partidas en vivo cierran el circuito: los agentes mejoran el simulador, los oponentes y la política, y a partir de la misma retroalimentación, su propio proceso de investigación. Un humano fija metas y resuelve ambigüedades de mecánicas. En 20 días, AutoTavern construyó TavernGym, la primera reproducción fiel de contenido completo del juego en vivo, y entregó 23 versiones de TavernAgent, entrenadas con PPO contra oponentes calibrados a partidas reales. TavernAgent juega partidas completas en la escalera en vivo sin supervisión: su puntuación subió de 6.000 a ~15.000, y en la medida del leaderboard público sus últimas 20 partidas promedian posición 1,60 con 80 % de primeros, mejor que los diez jugadores mejor puntuados del servidor en todas las estadísticas (2,34 y 59 %). El benchmark TavernBench (960 tareas en 40 escenarios) muestra que el sistema construido por los agentes es el mejor jugador: TavernAgent resuelve el 91 % de las tareas de juego frente a como mucho el 63 % de los LLMs frontera, y decide en 0,03 s donde los LLMs necesitan hasta 26 s; dentro del segundo que permite un turno en vivo, conserva el 90 % y ningún LLM más del 26 %.
¿Qué tienen en común los tres? No es que sean «IA que se mejora a sí misma» —eso ya se dice de todo—. Es que la mejora se aplica al propio proceso de mejora: la encuesta define el marco y las grietas, Skill∞ lo implementa en el nivel de skills de agentes, y AutoTavern lo demuestra a escala en un dominio donde el «jugar» no basta: como dice el título del paper, build, don't play —construye, no juegues. Los agentes LLM construyen mejor de lo que juegan, y la pregunta que la RSI plantea es si pueden construir el proceso de mejora mejor de lo que lo haría un equipo de humanos. Por ahora, al menos, la comunidad tiene un mapa, una receta y una primera prueba.