Reels-RSI 论文揭示程序级自改进在代码渲染视频中的局限与机制

该论文提出 Reels-RSI，一种面向智能体的开源导演工具，其核心创新在于将自改进过程定位在程序层面（脚本、分镜和动画代码），而非传统的权重更新或提示词调整。系统通过记录每次修订的代码快照，将静态检查发现的错误转化为带有必过和必错示例的规则，并纳入单元测试的记忆库中，新规则会自动应用于历史产出。

在针对 111 个视频的实地研究中，作者发现这种基于规则的机制确实能捕获四个在规则存在前生成的潜在帧缺陷，且对强导演起到审计作用（零违规），对弱导演起到防护作用（减少违规）。然而，关键事实显示：学到的规则虽然缩短了修订循环，但并未产生累积效应，也未提升最终的人类评审得分。此外，首次重写任务中出现的 11:1 压倒性判决被证实为展示位置偏差（62-81% 的投票倾向后展示的选项），掩盖了脚本在事实数量与工艺之间的权衡。

研究明确区分了事实与推断：规则作为审计工具是有效的（事实），但“自我改进”并不等同于“能力跃升”（推断）。论文指出偏好信号存在四种失效模式，并记录了相应的修复方案。结论部分强调，没有任何未经人类决策的内容进入记忆库，且所有代码、规则和实验数据均已公开。这提示行业在评估 Agent 自进化时，需警惕单一指标（如评分）的偏差，并重视程序级可验证性带来的透明度红利。