Wat is er gebeurd
Onderzoekers hebben een systeem gepubliceerd genaamd RSEA (Recursive Self-Evolving Agent). Het werkt anders dan gewone AI. In plaats van code aan te passen, schrijft het gewoon betere instructies voor zichzelf in gewone taal.
Hoe het werkt
RSEA bewaart drielagen informatie: - Een strategie (wat is het doel) - Herbruikbare vaardigheden (trucjes die werken) - Een playbook (stap-voor-stap procedures)
Dezelagen zijn geschreven in mensentaal. Geen code. De AI leest ze en wordt beter zonder dat iemand de software hoeft te veranderen.
Het grote verschil
Tot nu toe werden zulke methoden alleen getest op één benchmark per keer. Je hoorde alleen de successen. Deze studie vergelijkt ze eerlijk met elkaar — "appels met appels", zoals de paper zegt.
Het basisidee: de AI blijft "bevroren" (geen updates aan het model zelf), maar evolueert via tekst die hij bij zich draagt. Zoals eenkok die betere recepten schrijft, maar dezelfde handen houdt.
Waar zit de coördinatie
Dit raakt aan een kernvraag: kunnen systemen leren door kennis te delen in begrijpelijke vorm? Niet door technische updates, maar door ervaringen te documenteren.
Als AI-agenten hun geleerde lessen vastleggen als tekst, kunnen andere systemen (of mensen) dat lezen en toepassen. Dat is geen magie — dat is kennisdeling. Net zoals een bedrijf een handboek schrijft voor nieuwe werknemers.
Wat we zeker weten
- Het systeem heet RSEA
- Het gebruikt drie lagen natuurlijke taal: strategie, skills, playbook
- Het vergelijkt deze methode eerlijker dan eerdere studies
- De onderliggende AI-motor blijft onveranderd
- Gepubliceerd op arXiv (preprint, nog niet peer-reviewed)
Wat nog onbekend is
De beschrijving breekt halverwege af. We weten niet: - Hoe goed het presteert in absolute cijfers - Op welke taken het getest is - Hoeveel generaties (cycli) nodig zijn - Of het ook faalt in bepaalde scenario's - Hoe groot de "compact" taalstaat echt is
Wat we zeker weten
- Systeem genaamd RSEA (Recursive Self-Evolving Agent) gepubliceerd op arXiv
- Gebruikt drielaagse natuurlijke-taalstaat: strategie, vaardigheden, playbook
- Verbetert zonder gewichtsupdates van het onderliggende model
- Studie vergelijkt methoden 'apples-to-apples' (eerlijker dan eerdere rapporten)
- ArXiv nummer: 2606.28374v1, type: new
Wat nog onbekend is
- Prestatie-cijfers ontbreken (abstract is afgebroken)
- Welke benchmarks/taken gebruikt zijn is niet vermeld
- Aantal generaties en trainingstijd onbekend
- Faalscenario's niet gedocumenteerd in beschikbare tekst
- Peer review status: preprint, nog niet gevalideerd door vakgenoten
Waar zit de coördinatie (AstraNL)
Voor AstraNL is dit relevant: als systemen kennis delen via begrijpelijke taal in plaats van verborgen code, wordt coördinatie tussen mens, AI en robot gemakkelijker. Je kunt zien wat een agent heeft geleerd. Dat is geen zwarte doos meer, maar een logboek waar je mee kunt werken.
Bron
https://arxiv.org/abs/2606.28374