Chinese team runs Recursive Self-Improving on data layer, releases BigBang-V1
A Chinese team from Shanghai Jiao Tong University, DP Technology, and Shanghai Algorithm Innovation Institute released BigBang-V1, the first base model trained natively via recursive self-improving (RSI). The model generates all post-training data autonomously, with AI handling question generation, solving, and verification without human involvement. With 35B parameters and 3B activated, it outperforms 1T-level models like DeepSeek V4 Pro Preview on high-difficulty scientific tasks.
Coverage timeline
量子位量子位
当题库追不上模型，AI开始给自己出题：中国这支团队跑通了数据层RSI 闻乐 2026-08-09 11:40:25 来源： 量子位 AI参与创造下一代AI 闻乐 发自 凹非寺 量子位 | 公众号 QbitAI 硅谷今年最贵的词，叫 Recursive Self-Improving 。 它就是指让AI参与迭代自身的模型、算法、数据和研发流程。 这个概念有多火呢？ Jeff Dean 离职创办的Discovery Loop，方向就是探索AI自动化科学研究。 不只姐夫，AlphaGo缔造者 David Silver 等一众大牛也在同一条赛道上。 看得出来，这些顶级AI研究者正在形成一个共识： 让AI参与创造下一代AI，让AI持续自我改进并构建更强的AI 。 在这个共识之下，一个更棘手的问题出现了。 模型越强，能给AI出题、解题、验证的人越少，高质量训练数据该从哪来？ 一支中国团队给出了他们的答案。 由 上海交大人工智能学院、深势科技、上海算法创新研究院 组成的 无尽前沿团队 发布 BigBang-V1 —— 这是首个基于recursive self-improving原生方式训练出的基座模型。 在训练过程中，出题、解题、验证都交给AI把控，通过可验证前沿任务持续生成高质量自演进合成数据，全程无需人类逐题参与。 35B跑赢1T大模型 模型已开源，技术报告也同步公开。 BigBang-V1参数规模35B，推理时激活约3B参数，支持262K长上下文。 它的 后训练数据100%由AI自主合成，以科学前沿任务为核心 。 在这样的条件下，模型在长程搜索、代码、科学研究、AI研究等评测中， 拿下全部35B模型里的10项第一 。 不仅如此，在FrontierScience Research、PaperBench等多项高难度科研任务上，成绩甚至超过了1T级的DeepSeek V4 Pro Preview。 基准分数之外，具体任务里的表现更能说明BigBang-V1解决复杂问题的水平。 先看一个高难度生物信息学任务。 转座子定位 要求在全基因组测序数据里定位一个47bp的转座子插入位点，模型不仅要识别相关序列，还得遵守RefSeq染色体命名和1-based坐标约定。 BigBang没有去猜坐标，而是利用转座子与染色体之间的连接证据做约束映射： 一个junction对应一个坐标，最终把断点锁定
