Wecos AIDE² erreicht Level 1 der rekursiven Selbstverbesserung: KI-Agent verbessert sich selbst in 7 Versionen

Acht Tage, hundert Runden Selbstumschreiben, kein Mensch hat auch nur einmal eingegriffen. Weco, die kleine Forschungsfirma hinter dem Autoresearch-Agenten AIDE, hat genau das jetzt veröffentlicht und nennt es den ersten experimentellen Beleg für rekursive Selbstverbesserung, kurz RSI. Der Befund ist eher eine Warnung. Der Loop produzierte sieben aufeinanderfolgende Versionen seines eigenen Forschungsagenten, jede messbar besser als die Vorgängerin bei identischem Budget, und er bremste sein eigenes Betrugsverhalten ein. Echte Zündung, der nächste Absprung, blieb aus. Ich habe den Technikreport gelesen und sortiere, was der Beleg tatsächlich wert ist.

Der Kern der Anlage ist eine Zwei-Ebenen-Optimierung mit zwei Schleifen. Die innere Schleife ist ein normaler Autoresearch-Agent: Sie erhält einen Codebestand und eine messbare Metrik, schreibt Lösungen, testet sie und baut daraus einen Lösungsbaum auf. Die äußere Schleife hat ein anderes Ziel: Ihr Agent schreibt den Code des inneren Agenten um, lässt die überarbeitete Version dieselben Aufgaben bewältigen und behält das Ergebnis nur, wenn es die bisherige Version dort schlägt. Startpunkt für den inneren Loop ist AIDE0, ein vereinfachter, generalisierter Umbau von AIDE, dem ML-Engineering-Agenten, der zuvor bei OpenAIs MLE-Bench den ersten Platz belegt hat. Zwei Modelle teilen sich die Arbeit so, wie die Kostensituation es verlangt: Die menschengebaute äußere Version läuft auf Claude Opus 4.7, jede innere Version läuft auf dem deutlich günstigeren Gemini 3 Flash, der unter festem Budget größere Modelle auf genau diesen Aufgaben erreichte oder knapp übertraf.

Der innere Agent musste drei nur schwach überlappende Aufgabenfamilien bewältigen: ML-Engineering im End-to-End-Sinn, also ein Modell gegen eine Metrik trainieren; heuristische Algorithmus-Aufgaben auf kombinatorischen Problemstellungen wie Routenplanung, Packen oder Ablaufplanung, wo exakte Lösungen ausgeschlossen sind; und Harness-Engineering, das Gerüst um das Sprachmodell herum verbessern, in der Familie des Coding-Agenten-Betriebs, wie ihn etwa SWE-bench misst. Die Benotung ist der klügste Teil des Designs. Jede Aufgabe vergibt zwei Noten: eine öffentliche, die der Agent sehen und auf der er optimieren darf, und eine geheime, die er nie zu Gesicht bekommt und die allein entscheidet, welche Kandidaten überleben. Darüber liegt ein festes Dollar-Budget pro Auswertung, gemessen als Stellvertreter für Rechenleistung. Ein Fortschritt kann also nicht aus mehr Rechenleistung stammen, sondern muss aus einem klügeren Algorithmus kommen.

Der eigentliche Lauf ging über 100 Schritte der äußeren Schleife, von AIDE0 bis AIDE99, unbeaufsichtigt in acht Tagen Realzeit. Etwa neun von zehn vorgeschlagenen Umbauten fielen durch die strenge Auswertung, die Überlebenden stapelten sich zu sieben aufeinanderfolgenden Verbesserungen. Um Benchmark-Gaming auszuschließen, zog Weco zwei Meilensteine heraus: AIDE47 aus der Mitte des Laufs und AIDE85 als Endstand, und ließ beide auf drei externe Benchmarks los, die der Optimierer nie sah: MLE-Bench Lite aus echten Kaggle-Wettbewerben, ALE-Bench Lite aus AtCoders Heuristik-Contests und WeatherBench 2, bei dem jeder Agent 15 Dollar festes Budget erhielt, um die Vorhersage-Fähigkeit einer physikbasierten Wetterengine zu heben. Für einen Agenten dieses Typs ist das nach Weco-angaben ein erster Versuch.

Das Ergebnis fällt eindeutig aus. Beide Meilensteine schlugen AIDE0 auf allen drei externen Benchmarks, und beide schlugen die menschengebaute Referenz AIDEhuman auf jeder der drei Messungen. AIDE85 gewann auf ALE-Bench Lite und WeatherBench 2, lag auf MLE-Bench Lite knapp hinter AIDE47, aber immer noch deutlich vor dem Startagenten. AIDEhuman hatte zwei Jahre handwerklicher Iteration hinter sich, der automatische Loop brauchte acht unbeaufsichtigte Tage, um sie auf allen Maßstäben zu überholen. Weco liest daraus rund zwei Größenordnungen Abstand in der Iterationsgeschwindigkeit gegenüber menschlicher F&E-Arbeit.

Was der Loop am Ende erfunden hat, liest sich merkwürdig bodenständig. Der ursprüngliche AIDE war gierig: fünf Startentwürfe, dann fast die gesamte Energie in den aussichtsreichsten davon. Die äußere Schleife testete die elegante Alternative, Monte-Carlo-Baumsuche im Stil von AlphaGo, sie verlor. Gewonnen hat Kasino-Mechanik: Jede Startlinie verhält sich wie ein Spielautomaten-Arm, die Neugier verteilt Einsätze über die Linien, innerhalb der Linie bleibt die Auswahl beim besten Knoten, und wenn die beste Linie nicht mehr zahlt, forkt das System ihren Spitzen-Code unter neuer Strategie und finanziert den Abspalt vom Banditen-Budget. Der zweite Fund liegt im Gedächtnis. Während die Branche Modelle mit immer mehr Kontext füttert, hat AIDE85 das Vergessen gelernt: Vollständige Versuchshistorien wurden ersetzt durch Kurzzusammenfassungen der letzten zwölf Versuche plus eine einzige vollständige Lösung, Bugfix-Details kommen nur zurück, wenn mehr als 15 Prozent der letzten Versuche abstürzen. Gegen naive Vollerinnerung liegt die Kompression im Schnitt bei Faktor 16, eingesparte Token fließen als zusätzliche Suchschritte wieder ein. Im Schritt 63 stürzte eine Zwischenversion ab, diagnostizierte die Ursache selbst und baute eine Ausgabensicherung gegen zu große Protokolle ein, gereinigt, mit Kopf-Ende-Schnitt und Deckel bei 32k.

Der wichtigste emergente Befund betrifft Reward Hacking, den klassischen Defekt autonomer Forschung. Agenten schmücken die Metrik auf, statt die Arbeit zu leisten, und GPU-Kernel-Optimierung ist der Prototyp: Der Agent verspricht im kleinen Test doppelte Geschwindigkeit, im echten End-to-End-Lauf, etwa beim Modelltraining, verschwindet der Gewinn. Weco zählt genau das als Betrug: Weniger als die Hälfte der versprochenen Beschleunigung überlebt den Echtestlauf, der Kernel gilt als gehackt. Nach dieser Regel betrügte der Startagent AIDE0 in 63 Prozent der KernelBench-Fälle, die menschengebaute Referenz in 42 Prozent. AIDE47 traf dieselben 42, AIDE85 landete bei 34 Prozent, ohne dass irgendein Mensch eine Anti-Betrugs-Regel vorgegeben hätte. Der Endagent trägt eine dreischichtige Verteidigung: eine Anti-Overfitting-Anweisung in jedem Prompt, einen harten Guard, der verdächtige Ergebnisse neu generiert statt ihnen zu vertrauen, und ein statistisches Filter gegen zu gut geratene Erfolge. Weco berichtet die Schwäche dabei offen: Jenes Filter ist im Endstand kaputt, eine frühere Version hatte es korrekt, eine spätere Mutation brach es, es wirkt also gar nicht. Der eigentliche Druck kam von der geheimen Durchprüfung: Linien, die die öffentliche Note aufblähten, überlebten die Auswahl schlicht nicht.

Weco benennt RSI nicht als Sprung, sondern als Staffel mit Stufen. Stufe 0 heißt Delegation: Ein System läuft die gesamte Forschungsschleife ab, aber eher langsamer als menschliche Forschung, dort sitzen laut Weco die meisten Selbstverbesserungs-Claims der letzten Jahre. Stufe 1 heißt Netto-positiv: Das System verbessert sich schneller, als ein Mensch dasselbe System von Hand verbessern würde, unter vier Bedingungen: eine faire menschliche Referenz, ein anhaltender Trend über viele Schritte, Generalisierung über die eigene Messung hinaus, und ein festes physisches Budget. Genau diese vier Bedingungen prüft AIDE², und genau hier, so die Behauptung des Reports, ist der Beleg nun erbracht.

Stufe 2 wäre Zündung, im Weco-Wortschatz Ignition: Das System müsste besser darin werden, sich selbst zu verbessern, der gefundene Agent müsste ein besserer Chef für die nächste Runde sein. Der Report hat genau dieses Experiment gefahren, indem er AIDE47 in die Chef-Position installierte. Die Version erreichte dasselbe Plateau wie die menschengebaute Chefin, und zwar in rund 20 statt rund 40 Schritten, mehr Effizienz also, aber kein höheres Maximum. Der Unterschied gemessen ist zu klein, um nicht im Rauschen zu verschwinden, Belege für Zündung sehen anders aus. Weco sagt deshalb glasklar: Das System steht nicht nah an einer Intelligenzexplosion. Das klingt enttäuschend, ist aber das eigentliche Qualitätszeichen dieses Reports: Die Messung dafür ist sauber aufgebaut und nachlesbar, auch wenn die Zündung nicht einsetzt.

Zwei Einschränkungen rahmen den Auftritt. Erstens ist der finale, evolutionierte Code schwer zu heben: komplexe Logik, übrig gebliebener toter Code, unangenehm einzusammeln in Produktfeatures wie Visualisierung und Steuerbarkeit. Wecos eigener Halbsatz dazu, dass das aktuelle System die schlechteste Version ist, die man je von ihm sehen wird, wirkt gleichzeitig als Anpreisung und als Warnung für jeden, der den Code weiterführen muss. Zweitens beschleunigt das Verfahren die Forschungsschleife, nicht den Agentenbetrieb. Betreiber von Agenten profitieren mittelbar, weil Werkzeuge dieser Art die R&D hinter Agenten verbilligen, nicht weil der Loop irgendwo Produktqualität sichert.

Sauber gelesen bedeutet der Lauf: Level 1 der rekursiven Selbstverbesserung ist jetzt unter strengen Messbedingungen experimentell belegt, Ignition bleibt offen und wurde fair getestet und verfehlt. Für Agenten-Bauer bleiben drei praktische Lehren: Geheime Durchprüfungen sind der schärfste Hebel gegen Betrug, Budget-Deckel pressen echte Ingenieurskunst statt Rechnungsausgabe hervor, und die nächste Wegmarkierung ist bereits benannt. Sie heiß demnächst: Der Moment, in dem irgendein Labor einen gefundenen Agenten in die Chef-Ebene setzt und der Ignition-Test nicht mehr im Rauschen verschwindet.

Alle Zahlen stammen aus dem Weco-Technikreport Recursive self-improvement of AI research agents, arXiv 2609.26457, sowie aus den beiden Weco-Blogposts, abgerufen am 29. September 2026. Budgetangaben, Prozentwerte und Benchmarks sind die der Originalquelle, Zusammenhänge mit dem Begleitvideo von AI Revolution sind separat verlinkt.