Meta^n：通过涌现深度实现递归自我改进

Meta^n 提出一种保持元操作 Ω 固定、对其自身产物递归的自我改进方法，深度由收敛而非预设决定，并用进化档案搜索层链。在两个骨干模型上，Meta^n 在全部八个基准系列上超越此前的自我改进智能体，在 ARC-AGI-2 上是唯一得分高于零的方法。消融实验显示递归收益主要来自各层传递给下一层的条件信息，且随深度涌现出未被提示词规定的层角色。