押注大模型“递归自我改进”，超进化完成数亿元天使轮融资

盖世具身智能获悉，超进化智能（HyperVolve）已于近日完成数亿元天使轮融资。

本轮融资由蓝驰创投领投，商汤国香资本、联想之星、英诺基金、水木清华校友种子基金等联合投资，澜松资本担任长期战略财务顾问，将主要用于算力与训练基础设施建设及核心研发团队扩充。

超进化智能于今年8月底正式成立和启动运营，致力于研发自进化的研究基础模型，以RSI（递归自我改进）为关键技术路径，推动模型在新场景专业能力的自我提升。

一家成立才两个月的公司，天使轮就拿到数亿元，凭什么？

图片来源：超进化智能

押注“Research是下一个Coding"

超进化创始人陈恺本科毕业于清华大学，曾任商汤科技研究总监、上海人工智能实验室大模型中心负责人。

他的履历里有三个被行业反复引用的名字：一是他创建的OpenMMLab计算机视觉开源算法体系，GitHub星标超过14万；二是他在上海AI Lab带队研发的书生（Intern）大模型，主导完成了万卡集群上万亿参数科学大模型的全流程训练；三是他主导建设的大模型评测体系司南（OpenCompass），如今已被头部大模型企业和科研机构广泛采用。

他本人发表论文100余篇，谷歌学术引用超4.5万次。

简单说，这是一个真正“玩得转万卡、训过万亿参数”的人。

超进化核心成员也多来自上海AI Lab和头部科技公司，长于大规模基模训练、评测体系和科学模型。

超进化给自己定的目标，是研发具备元研究能力的“超级研究员大脑”——让模型面对陌生专业场景时，能自己提出问题、形成假设、设计方案、自主验证并持续迭代，这套能力可以迁移到科学研究、行业研发和AI研究。

超进化认为，当前支持“研究能力工业化”的多个条件已经成熟：第一，模型的专业推理能力在不少领域已经不亚于一般专家，从能分析结果走到能提出下一步方案；第二，Coding和Agent能力的提升，让模型能完成小时级甚至更长的任务；第三，Agentic RL让“模型在与环境交互中产生参数更新”，有了相对可解路径；第四，评测的自动化和鲁棒性、各领域验证器的迭代进步显著，让反馈和奖励信号更可靠。

这四件事叠在一起，让“自进化”从概念题变成了工程题。

"Coding是大模型第一个跑通大规模迭代闭环的专业能力，”陈恺说，“Research会是下一个。”

RSI有五层，直接攻最难的“模型层”

超进化把RSI从浅到深拆成五层：最浅的是产物层，靠auto research让研究产出自我修正；然后是经验层，持续更新memory、skill等运行时资产；再到Harness层，让agent系统那套代码本身持续迭代；第四层是模型层，通过持续的参数更新把新能力真正内化进模型；最深的是进化机制层，把“如何进化”的方法论本身也交给AI。

在超进化看来，目前绝大多数工作集中在前三层，因为harness层门槛相对低、见效快。但智能水平的载体是模型参数，只有参数层面持续更新，才是真正的自进化。

超进化选择的，正是第四层。

这意味着，超进化押注的不是已被验证的成熟方向，而是一个难度最高、行业共识尚未形成的切入点。

为此，超进化构建了模型（Model）、智能体运行框架（Harness）、评测器（Evaluator）协同进化的闭环，同步建设覆盖研究能力和自我改进能力的评测体系。

在陈恺看来，做RSI最稀缺的两样东西都离不开基模训练经验：一是万卡级、万亿参数模型的全流程训练经验，真正跑过的人很少；二是研究轨迹数据和专业任务环境的长期积累，这是踩坑踩出来的know-how。

RSI成了新叙事，赛道开始分层

把视线拉开，押注“模型自我改进”的公司正在变多。

超进化打的是科研，以Science为主战场，同时元研究能力可迁移至科学研究、行业场景研发及AI研究。

7月官宣创业、9月完成近4亿融资的超衍智能，也是聚焦科学研究与发现，目标是让AI从辅助工具变成共同研究者，从加速已知走向发现未知。