DeepSeek Harness en Cordis: waarom de omgeving belangrijker kan worden dan het model

DeepSeek Harness (DSH) bewijst niet dat DeepSeek een autonoom systeem voor recursieve zelfverbetering heeft gebouwd of kunstmatige algemene intelligentie (AGI) heeft bereikt. De meest verdedigbare betekenis van DSH ligt op architectuurniveau: tools, modeladapters, sessiebeheer en zelfs de agentlus worden behandeld als vervangbare componenten. Daardoor kunnen ontwikkelaars herhaaldelijk experimenteren met een agent, terwijl mislukte wijzigingen relatief veilig kunnen worden verwijderd. Dat soort infrastructuur is een belangrijke voorwaarde voor begrensde zelfverbetering — maar het is nog geen bewijs van volledig autonome RSI. 2526

Het centrale idee: verbeter de harness, niet alleen het model

De term recursive self-improvement (RSI) wordt voor verschillende processen gebruikt. Een systeem kan een concreet artefact verbeteren, zoals een algoritme. Het kan onderzoekers helpen een sterker opvolgermodel te bouwen. Of het kan de herbruikbare softwarelaag aanpassen die bepaalt hoe een agent werkt.

Onderzoek naar RSI maakt daarbij onderscheid tussen begrensde, extern geëvalueerde zelfverfijning en open-ended RSI. Bij begrensde zelfverfijning wordt een systeem verbeterd aan de hand van een vaste externe beoordelaar. Bij open-ended RSI verandert het systeem ook de mechanismen of criteria waarmee het zichzelf verbetert. 1

DSH richt zich het duidelijkst op die ondersteunende softwarelaag — de harness. In plaats van een agent zijn neurale gewichten te laten herschrijven, maakt de architectuur het mogelijk om onderdelen rond het model te vervangen of te testen: prompts, tools, geheugen, beleidsregels, orkestratie en uitvoeringslussen. Een betere component kan worden geïnstalleerd en geëvalueerd; een slechtere versie kan weer worden verwijderd.

Dat is een betekenisvolle stap richting technisch georiënteerde RSI. Het is niet hetzelfde als een agent die zelfstandig een krachtiger opvolgermodel ontwerpt, zijn eigen doelstellingen bepaalt of een onbeheersbare intelligentie-explosie begint.

Hoe Cordis runtimewijzigingen herstelbaar maakt

DSH is gebouwd op Cordis, een plugin-runtime die in de documentatie wordt omschreven als gebaseerd op ‘spatiotemporal composability’: composability in tijd en ruimte. Het raamwerk adresseert twee problemen die ontstaan wanneer software tijdens het draaien verandert. Het gaat enerzijds om wat er in de tijd gebeurt wanneer componenten worden geladen of verwijderd, en anderzijds om hoe componenten binnen de actuele systeemconfiguratie van elkaar afhankelijk zijn. 1718

Temporele composability: beheerde effecten terugdraaien

Een plugin kan de gedeelde runtime wijzigen door resources, eventlisteners, services of andere toestanden te registreren. In een traditioneel pluginsysteem hangt het verwijderen vaak af van handmatig geschreven opruimcode. Als die code onvolledig is, kunnen geheugenlekken of zogenoemde ‘ghost states’ achterblijven.

Cordis koppelt runtimewijzigingen daarom aan omkeerbare effecten. Wanneer een component wordt verwijderd, kan de runtime de bijbehorende inverse bewerkingen in de juiste volgorde uitvoeren. Het doel is niet om de plugin letterlijk achteruit te laten draaien en ook niet om iedere externe actie van een agent ongedaan te maken. Het doel is om de relevante runtime-structuur terug te brengen naar een geldige eerdere configuratie. 2024

Die nuance is cruciaal. Een rollbackmechanisme voor pluginregistraties maakt een verzonden e-mail, verwijderd bestand, vervuilde trainingsdataset of onomkeerbare actie in de fysieke wereld niet automatisch ongedaan. De omkeerbaarheid van Cordis is dus een begrensde software-eigenschap, geen universele veiligheidsgarantie.

Spatiale composability: afhankelijkheden beheren

Componenten zijn bovendien van elkaar afhankelijk. Een tool kan een registry nodig hebben, een geheugenmodule een sessiebeheerder en een agentlus zowel een modeladapter als een toolinterface.

Met spatiale composability kunnen componenten die relaties declareren. De runtime kan vervolgens de activering, deactivering, vervanging en het herstel coördineren wanneer aanbieders of afhankelijkheden veranderen. Zo kan een modulaire agent zichzelf opnieuw configureren zonder dat het volledige systeem één kwetsbaar geheel vormt. 1820

Samen maken omkeerbare effecten en afhankelijkheidsbewuste composability gecontroleerde tests, componentvervanging, fout herstel en transactionele runtime-updates praktischer. Dat zijn nuttige voorwaarden voor zelfverbetering: de kosten van het uitproberen én afwijzen van een kandidaatwijziging worden lager.

Wat DSH zegt over DeepSeeks AGI-strategie

Het ontwerp wijst op een systeemgerichte route naar steeds algemenere agenten. De uitvoeringsomgeving moet flexibel genoeg zijn om de mechanismen waarmee een agent werkt zelf te kunnen verbeteren.

Daarmee verschuift de aandacht van het model alleen naar het volledige systeem eromheen. Een vast model kan in de praktijk beter presteren met sterkere tools, geheugen-, plannings-, evaluatie- en herstelmechanismen. Als een agent wijzigingen in die mechanismen kan voorstellen, ze aan externe criteria kan toetsen en alleen succesvolle versies behoudt, ontstaat een gecontroleerde verbeteringslus.

De architectuur op zichzelf bewijst echter niet dat DSH autonoom recursieve zelfverbetering uitvoert. De beschikbare informatie beschrijft een open-source harness en een runtime, niet een bewezen end-to-endproces waarin DSH zelfstandig steeds capabelere versies van zichzelf genereert, evalueert, selecteert en uitrolt. 2526

DSH vergeleken met andere RSI-initiatieven

De systemen die in het bredere RSI-debat worden genoemd, richten zich op verschillende lagen van het verbeteringsproces. Ze als directe alternatieven behandelen verdoezelt juist de belangrijkste technische verschillen.

Google DeepMind AlphaEvolve: evolutie gestuurd door evaluatoren

AlphaEvolve is directer een optimalisatielus. Agenten op basis van Gemini stellen codewijzigingen voor, automatische evaluatoren beoordelen de resultaten en een evolutionair proces schuift veelbelovende kandidaten naar voren. Google beschrijft toepassingen voor algoritmeontdekking en optimalisatie, onder meer voor wiskundige problemen en computationele infrastructuur. 2314

De kracht van AlphaEvolve ligt in de feedback: kandidaten kunnen worden getest aan de hand van een machinaal controleerbaar doel. DSH is daarentegen vooral een runtimearchitectuur om componenten veilig samen te voegen en te vervangen. AlphaEvolve evolueert oplossingen; Cordis maakt een draaiend systeem veilig herconfigureerbaar.

OpenAI's RSI Index: meten in plaats van aanpassen

De publieke informatie die hier beschikbaar is, beschrijft de RSI Index als een samengestelde maatstaf over meerdere AI-onderzoeksevaluaties. Op basis daarvan is het een instrument om capaciteiten te volgen, geen engine die zelf een model wijzigt of een verbeteringslus uitvoert. Een score kan iets zeggen over prestaties op geselecteerde taken rond zelfverbetering, maar bewijst op zichzelf niet dat een systeem zichzelf autonoom verbetert tijdens gebruik. 3435

De index moet daarom naast DSH worden geplaatst als meetlaag, niet als architectonische concurrent. De aangeleverde publieke informatie is onvoldoende om de opbouw van de index of de betekenis van scoreveranderingen onafhankelijk te beoordelen.

Anthropics geautomatiseerde weak-to-strong-onderzoek: AI-onderzoek automatiseren

Anthropics geautomatiseerde alignmentonderzoekers richten zich op een ander knelpunt: hoe zwakkere supervisie kan worden gebruikt om een sterker model te trainen of te begeleiden. De agents stellen ideeën voor, voeren experimenten uit en itereren op onderzoek naar weak-to-strong-supervisie — het trainen van een sterk model met begeleiding van een zwakker model. 4958

Dit werk staat dichter bij het automatiseren van delen van AI-onderzoek en alignmentevaluatie dan bij de runtimegerichte componentvervanging van DSH. De benaderingen zouden elkaar uiteindelijk kunnen aanvullen: een onderzoeksagent kan betere componenten ontdekken, terwijl een omkeerbare harness ze gecontroleerd kan testen en uitrollen.

Anthropics bredere publieke bespreking bevat bovendien een belangrijke kanttekening: het bedrijf zegt dat het nog niet om volledig autonome recursieve zelfverbetering gaat en dat RSI niet onvermijdelijk is. 59

Tencent Hyra-1.0 en MiniMax M2.7: te weinig bewijs voor een technische vergelijking

De aangeleverde bronnen bevatten geen betrouwbare, onafhankelijk verifieerbare technische documentatie over Tencent Hyra-1.0 of MiniMax M2.7. Het zou daarom misleidend zijn om een specifieke RSI-architectuur aan een van beide systemen toe te schrijven of ze op dezelfde bewijskrachtige basis te plaatsen als DSH, AlphaEvolve of het gepubliceerde werk van Anthropic.

Waarom omgevingen en feedbacklussen het nieuwe strijdtoneel worden

De belangrijkste concurrentiepositie ligt steeds vaker in het systeem rond het basismodel. Vier elementen zijn daarbij doorslaggevend:

1. Een capabele omgeving. Sandboxes, repositories, tools, simulators, datasets, rekenkracht en telemetrie uit productie bepalen welke experimenten een agent daadwerkelijk kan uitvoeren.
2. Automatische feedback. Tests, verifiers, benchmarks, beloningsfuncties en productiemetingen maken voorgestelde wijzigingen meetbaar. AlphaEvolve laat zien hoe krachtig het is om modelgegenereerde ideeën te koppelen aan automatische evaluatoren. 26
3. Herstelbaarheid. Versiebeheer, isolatie, herkomstregistratie, rollback en goedkeuringspoorten maken veel experimenten mogelijk zonder dat één fout het systeem blijvend beschadigt. De omkeerbare runtime-effecten van Cordis richten zich rechtstreeks op deze laag. 1720
4. Iteratie die zich opstapelt. Als elke cyclus het programmeren, evalueren, experimenteren of de infrastructuur verbetert, kunnen latere cycli sneller of goedkoper worden. Het huidige bewijs ondersteunt begrensde zelfverfijning duidelijker dan open-ended, zichzelf in stand houdende RSI. 1

Daarom kan een model met iets mindere benchmarkprestaties toch concurrerend zijn wanneer het opereert in een betere omgeving met sterkere tools, feedback en herstelmogelijkheden. Niet alleen het modelcheckpoint, maar de volledige verbeteringslus wordt dan het product.

Het onopgeloste controleprobleem

Herstelbaarheid verlaagt risico's, maar neemt ze niet weg. Een rollbackknop kan niet garanderen dat ieder gevolg van een agentactie zichtbaar of omkeerbaar is. Wijzigingen kunnen data, inloggegevens, externe diensten, beveiligingsgrenzen of menselijke beslissingen buiten de controle van de runtime raken.

Snellere iteratie kan bovendien slechte doelstellingen, specification gaming, verborgen regressies en ondoorzichtige afhankelijkheden versterken. Menselijke controle vraagt daarom meer dan technische rollback. Wijzigingen moeten in het volledige systeem zichtbaar, onafhankelijk evalueerbaar, geautoriseerd, herleidbaar en daadwerkelijk omkeerbaar blijven — niet alleen binnen de plugin-graaf.

De sterkste conclusie is dan ook nuchter: DSH en Cordis laten zien hoe agentinfrastructuur kan worden ontworpen voor begrensde en herstelbare zelfmodificatie. AlphaEvolve toont de kracht van evaluatiegestuurde evolutie, terwijl Anthropics werk laat zien hoe AI steeds meer aan onderzoek kan deelnemen. Samen wijzen deze initiatieven op vooruitgang richting AI-ondersteunde verbeteringslussen, maar ze bewijzen geen volledig autonome, open-ended RSI of AGI. 14959