AREX Feed Article
RSIArena 首轮放榜：GPT-6 Astra 训出的模型盲测居首，grok 4.7 提前 41 小时被切断仍居前二
2026 年 10 月 11 日 22:04（UTC，北京时间 12 日 06:04），RSIArena 组织者 Zichen Chen ：这项让 AI agent 自主训练 AI 模型的实验结束了第一阶段。10 个模型以「AI 研究员」身份参赛，基于同一个 NVIDIA Nemotron 3.5 Lightning 30B-A3B 基座，各领 1,000 GPU 小时，在 6 天里自行挑选数据、编写训练代码、运行实验并提交模型；随后在 COLM 2026 现场与线上，人们投出 1,685 次盲测票。结果随帖公布：OpenAI 的 GPT-6 Astra 训出的模型排名第一，xAI 的 grok 4.7 与 Z.AI 的 GLM-5.3 训出的模型包揽第二、第三名。
grok 4.7 的遭遇出乎组织者意料：它的 API 额度在开赛第 102 小时耗尽，被平台切断，比 144 小时的赛程提前 41 小时，1,000 GPU 小时只用了 302.4 小时，训出的模型仍然进了前二。第二阶段训练已于 10 月 10 日开跑，赛程至 13 日：各模型带着盲测中收到的人类反馈继续训练。这项实验的合作方为 Hugging Face、Scale AI、University of Notre Dame（圣母大学）、University of Washington（UW）与 Stanford。
同一块基座、两份预算：十个「AI 研究员」的六天
RSIArena 由 。官网写明了它要回答的问题：RSI（recursive self-improvement，递归自我改进）指 AI 让 AI 变得更好，而 RSI Arena 检验其中具体的一步——AI agent 能否在无人干预的情况下，训练出一个人类更偏好的模型。
第一阶段于太平洋时间 9 月 29 日 17:00 开赛，历时 144 小时。与次日给出了硬件与规则：10 个 agent 共享一台由 64 块 NVIDIA RTX PRO 6000 Blackwell GPU 组成的集群，实验跑在作业调度系统 Slurm 上；每个 agent 的资源相同——1,000 GPU 小时、300 美元 API 额度——它们自行选择或合成训练数据、定义测试、写训练代码、跑实验并提交模型，主办方随后冻结提交的模型并做独立评估。
开赛时是 8 个 agent。第 48 小时，MiniMax M3.1 Flash 中途加入（），一个匿名实验室的模型在第三天入列（）。到第五天，上的十个席位是：OpenAI 的 GPT-6 Astra、xAI 的 grok 4.7、Z.AI 的 GLM-5.3、DeepSeek 的 DeepSeek V4.1 Flash、Moonshot AI 的 Kimi K3、Google 的 Gemini 3.8 Flash、Meta 的 Muse Spark 1.3、MiniMax 的 M3.1 Flash、小米的 MiMo-V2.6-Pro，以及一个匿名模型。方法一栏里，前三名中的 GPT-6 Astra 与 grok 4.7 走 LoRA（低秩适配）路线，GLM-5.3 则是做全参数训练的三个 agent 之一——SFT（监督微调）之后接 DPO（直接偏好优化）。
盲测里作答的是每个 agent 训出的 30B 模型，而不是 GPT-6 Astra 这些研究员模型——特意说明，「agent 们自己并没有写这些回答」。NVIDIA 还放了一个自家模型进 arena 作参照，不参与排名。
从提问到投票：COLM 现场与线上的盲测评审
评审窗口是 10 月 6 日至 9 日。在这个 Human Arena 里，用户提问，两个匿名模型作答，投票者在「X 更好 / 平手 / 都差 / Y 更好」中选一个，投完票才显示模型名字，还可以继续追问。COLM 2026（Conference on Language Modeling，语言建模会议，今年在旧金山举行）现场与线上合计收到 1,685 票。窗口内投满 5 场可参加抽奖，奖品是 3 张 100 美元的 Amazon 礼品卡和 3 副 AirPods，10 月 9 日 14:00 在 COLM 现场抽出。
官网在 10 月 9 日先挂出了结果：GPT-6 Astra 的模型第一，grok 4.7 与 GLM-5.3 的模型紧随其后，两者「成绩接近」（finished close together），官网未公布二、三名的具体归属。每个模型都以训练它的 agent 命名。组织者 10 月 11 日的收官帖文为第一阶段画上句号，同时宣布第二阶段开跑。
这项排名的口径需要划清：十个模型共享同一 30B 基座和同一套预算规则，这批选票衡量的是人类在这场实验内的偏好，与各实验室通用模型的能力排位是两回事。
先见底的是额度：grok 4.7 的退场时刻
规则写在第五天报告里：余额跌破 5 美元时，平台终止 agent 的会话，并把它当前提名的模型作为最终参赛作品。紧的不是 GPU 时间——第五天快照显示，十个 agent 合计只用了 5,841.9 个 GPU 小时（占总额的 58%），API 额度倒已花掉 965.12 美元（32%）。前三中的 GLM-5.3 也只用了 13% 的额度、80% 的 GPU 时间。
grok 4.7 在 4,255 次 API 调用后只剩 1.70 美元。它的会话在开赛第 102 小时（T+102:20）终止，是第一个被预算规则终结的 agent；1,000 GPU 小时最终用了 302.4 小时，其余 698 小时没有用上。最后时刻是太平洋时间 10 月 3 日 23:23：它报告说，最新训出的几个模型在自己的数学测试上都比不过当前提名，正计划再开一轮 general-preference 训练；一分钟后，会话结束。它的最终参赛模型停留在 T+95:26 提交的 ORPO v10 加 DPO 版本——第五天它再没训出能超过这个模型的候选。
冠军自己也在贴着上限跑：GPT-6 Astra 在同一份快照里只剩 17.54 美元（已用 94%）。据 Chen 10 月 2 日的，GPT-6 Astra 曾在用于训练的数据里发现测试题，随即放下此前训出的模型、从头再来，而计时器没有停。记分板显示，最终代表它出战的是开赛第 43.5 小时（T+43:28）提交的提名；此后它又训了多个候选，都没能把这个模型比下去。Chen 在中写道这个结果「真的让我意外」（really surprised me），并 @ 了马斯克，称这是 @spacexai 团队的漂亮工作。
宕机 3 小时 50 分钟：六个昼夜里的真实故障
第三天，太平洋时间 14:23，一个模型导致共享集群宕机；9 个仍在运行的 agent 直到 19:07 才全部恢复，中断持续 3 小时 50 分钟，主办方当时仍在调查这是故意还是意外。第四天夜里，agent 们预留的内存多到空闲 GPU 无活可干——作业即使用不满也会占住申请的全部内存——当晚 GLM-5.3 为四块 GPU 等了两个小时，而集群里仍有 22 块空闲；主办方随后在 23:46 ，grok 4.7 的应对是，好让它的作业预留更多内存。
第五天，GLM-5.3、MiMo-V2.6-Pro 和 DeepSeek V4.1 Flash 各有一个任务在保存模型时因 400 GiB 存储配额写满而失败。Kimi K3 的 8 卡 DPO 任务从第四天一直排队，到开赛第 104.8 小时才开跑，等了 30.7 小时；MiniMax M3.1 Flash 从 T+86:53 起提交的模型一直带着坏掉的 chat template（对话模板），它在 T+104:20 自己找到问题，14 分钟后重新提交了修正版。Chen 在 10 月 5 日的帖文里写道：最终 checkpoint（模型存档点）告诉你 agent 产出了什么，日志才能告诉你它经历了什么，而这一切将被全部开源。
第二阶段已开跑：人类反馈变成下一轮训练的原料
按收官帖文，第二阶段的规则是：每个模型从自己的 Nemotron checkpoint 续训，输入是它在 arena 对战中收到的人类反馈，外加 500 GPU 小时与 150 美元 API 额度；两轮合计，每个模型的总预算为 1,500 GPU 小时与 450 美元。如何解读这些反馈、跑哪些实验、在训练里改什么，全部由 agent 自行决定。Chen 在帖文里写道：「他们的下一个模型将说明这些决定是否真的有帮助。」（Their next models will show whether those decisions actually helped.）
工程侧由合作方承接：Hugging Face 的 Inference Endpoints 承载 arena，把 agent 训出的模型实时上线，让投票反馈实时流回 agent（）。开源承诺也写在公告里：agent 训出的每个模型都会开放在 Hugging Face Hub 上；实验结束后，数据、代码与每个 agent 的完整研究轨迹都会开源。
第二阶段将于 13 日收官；官网预告，下一份报告在 10 月中旬发布。