arXiv: 2607.07663v1

Auto-mejora recursiva en IA: del auto-refinamiento acotado a los bucles de investigación autónomos

Recursive Self-Improvement in AI: From Bounded Self-Refinement to Autonomous Research Loops

July 8, 2026

Autores: Mingguang Chen, Licheng Wang, Bo Qu

cs.AIcs.AIcs.AI

Resumen

Los sistemas de inteligencia artificial participan cada vez más en su propia mejora: revisan sus salidas, adaptan sus propias configuraciones durante el despliegue, se entrenan con datos que generan y, de forma creciente, realizan investigación en IA. Esta literatura se describe bajo un vocabulario («automejora», «autorrecompensa», «autojuego», «autoevolución») que confunde ambiciones fundamentalmente diferentes. Analizamos 1250 artículos de arXiv (2024-2026) a lo largo de dos ejes: qué mejora el sistema —su comportamiento en despliegue, su política mediante entrenamiento, su evaluador o el propio proceso de investigación— y el grado de cierre del bucle (desde humano en el bucle hasta completamente cerrado). La taxonomía separa la automejora acotada —convergente, evaluable y ya práctica industrial— de la mejora recursiva autoinfligida sin límites (RSI, por sus siglas en inglés), que sigue estando acotada por requisitos de fundamentación, dinámicas de colapso y restricciones de cómputo en todos los ejes medidos. Su rasgo distintivo es una categoría dedicada a la autoevaluación: cada bucle de mejora postula que alguna señal puede sustituir el juicio humano. Examinamos el espacio de diseño de evaluadores —jueces, modelos de recompensa de proceso, verificadores, rúbricas, metaevaluación—, ordenamos las señales en una jerarquía de verificación que va desde verificadores formales (el más fuerte) hasta la autoevaluación intrínseca (el más débil), y observamos que la fortaleza demostrada de la automejora sigue esta jerarquía, que sus modos de fallo (bucles de autoconfirmación, colapso de modelo, colapso de diversidad) se derivan de sus violaciones, y que el cuello de botella del «establecimiento de la dirección de investigación» que mantiene al humano en el bucle se sitúa en la cúspide de esa jerarquía. Vinculamos la literatura técnica con la teoría de los límites de la RSI y con las cuestiones de seguridad y gobernanza planteadas por los relatos de laboratorios punteros sobre el cierre del bucle, e identificamos la medición de la automejora a nivel de gobernanza como el nicho más infraexplorado del campo.

English

AI systems increasingly participate in their own improvement: revising their outputs, adapting their own harnesses during deployment, training on data they generate, and, increasingly, conducting AI research itself. This literature is described under a vocabulary ("self-refine," "self-reward," "self-play," "self-evolve") that conflates fundamentally different ambitions. We survey 1,250 arXiv papers (2024-2026) along two axes: what the system improves -- its behavior in deployment, its policy through training, its evaluator, or the research process itself -- and the degree of loop closure (human-in-the-loop to fully closed). The taxonomy separates bounded self-refinement -- convergent, evaluable, and already industrial practice -- from open-ended recursive self-improvement (RSI), which remains bounded by grounding requirements, collapse dynamics, and compute constraints on every measured axis. Its distinctive feature is a dedicated category for self-evaluation: every improvement loop is a claim that some signal can substitute for human judgment. We survey the evaluator design space -- judges, process reward models, verifiers, rubrics, meta-evaluation -- order the signals into a verification hierarchy from formal verifiers (strongest) to intrinsic self-assessment (weakest), and observe that demonstrated self-improvement strength tracks this hierarchy, that its failure modes (self-confirming loops, model collapse, diversity collapse) follow from its violations, and that the "research direction-setting" bottleneck keeping humans in the loop sits at the top of that hierarchy. We connect the technical literature to the theory of RSI limits and to the safety and governance questions raised by frontier-lab accounts of closing the loop, and identify governance-grade measurement of self-improvement as the field's most underpopulated niche.