2026 年夏天，被视为自进化 AI 发展的关键节点。当海外 NeoLab 团队尚在依靠概念叙事获取融资时，由中国盛大集团孵化的 EverMind 团队，已通过连续三篇重磅论文，率先给出了自进化 AI 领域的全栈技术答案。
EverMind 承袭了盛大创新院纯粹探索技术前沿的研究基因。在 AI 时代，盛大集团全面布局脑科学与人工智能，通过内部孵化机制汇聚全球顶尖人才，EverMind 正是其中专注于解决 AI 长期记忆与自进化问题的核心力量。
如果说盛大创新院开创了中国企业内研究型组织的先河，那么 EverMind 则是这一基因在 AI 时代的升华。团队选择了一条技术最根本的路径：解决 AI 长期记忆问题，并以此为基础探索自进化之路。这一模式在 2026 年的 AI 版图中，被定义为新一代 AI 实验室（NeoLab）。
全球 NeoLab 浪潮与中国团队的破局
NeoLab 指代那些从顶级 AI 机构出走、押注前沿技术的研究型创业团队，其特征是面向下一代 AI、研究驱动及长期主义。2026 年，该领域融资热潮汹涌：前 Salesforce 首席科学家 Richard Socher 与前 Meta 科学家田渊栋联合创立的 Recursive Superintelligence（RSI）估值高达 46.5 亿美元；DeepMind AlphaGo 之父 David Silver 创立的 Ineffable Intelligence 估值达 51 亿美元；Engram、Adaption Labs 等团队也相继获得高额融资。
这些团队的核心命题一致：如何让 AI 在部署后通过自我迭代实现持续进化，即“递归自我改进”或“自进化 AI"。然而，多数海外团队仍停留在单点突破的理论阶段：RSI 尚未公布具体方案；Engram 缺乏脚手架层的灵活机制；Adaption Labs 缺少长期技能沉淀体系；Core Automation 尚无公开论文与开源生态。
相比之下，EverMind 已悄然完成系统性突破，连续发布三篇重量级论文，从技能层、脚手架层到模型权重层，构建了完整的自进化 AI 技术栈。
技术交汇：从长期记忆走向自进化
今年四月，在 EverMind 主办的“记忆起源”Hackathon 活动上，RSI 联合创始人田渊栋与 EverMind 负责人邓亚峰进行了深入对谈。双方达成共识：从长期记忆结合持续学习，最终走向自我进化，是下一代 AI 的核心技术路线。
记忆是 Agent 积累经验的载体，自进化则是将经验转化为能力跃升的路径。EverMind 从 EverOS（记忆操作系统）到 Raven（自进化 Agent 框架），再到三篇自进化论文，正是这一战略的系统性实践。中外顶尖研究者的相遇，象征着双方正从不同入口攀登同一座技术高峰。
自进化的三大挑战与 EverMind 的解法
传统大模型部署后能力即冻结，而下一代 AI 需具备持续学习与自我改进的能力。实现这一目标面临三道难关：脚手架的自我改进易导致过拟合；技能规模化管理困难；模型权重训练信号分配粗颗粒度。EverMind 的三篇论文分别针对这三点提出了严谨解法。
HarnessBank：安全改写「脚手架」
在《HarnessBank: Semantic Gene-Bank Search with Gated Verification for Agent-Harness Self-Evolution》论文中，EverMind 提出了一套新框架，让 Agent 能自主诊断失败并重写运行逻辑，同时根除过拟合问题。
该框架核心在于将“提出变更”与“归因变更”分离。语言模型仅负责诊断与提出补丁，所有验证由确定性代码逻辑控制，确保性能提升在统计意义上可靠。此外，引入“装备基因库（HGB）”机制，以"WHERE×WHY"为语义坐标存档高性能脚手架，支持跨单元机制重组，有效防止搜索陷入局部最优。
实验显示，在冻结任务 Agent 权重的情况下，HarnessBank 在七个多样化基准上取得了 5.1% 至 15.4% 的一致性能提升，且所有增益均通过显著性检验。跨模型实验进一步证实，该机制具备跨模型迁移的元能力。
SkillCorpus：十万级技能库的工程实践
针对技能规模化管理难题，EverMind 在《SkillCorpus: Aggregating, Curating, and Evaluating the Open Skill.md Ecosystem》论文中，首次对开放技能生态进行了规模化聚合与评估。
团队从约 82.1 万个原始技能中，经多维度过滤精选出 96401 个高质量技能，建立包含 16 个类别的分类法，并从实用性、鲁棒性和安全性三个维度进行质控。配合自研检索技术栈，Raven 框架集成 SkillCorpus 后，在多个基准测试中获得稳定性能提升，最高达 7.5 个百分点。
技能库并非静态清单，而是随任务执行成败不断自我打磨的动态资产，实现了经验的规模化沉淀与复用。
DASH：自适应监督提升推理效率
在模型权重层面，EverMind 推出《DASH: Divergence-Adaptive Supervision Horizons for On-Policy Self-Distillation of Reasoning Models》。针对传统同策略自我蒸馏（OPSD）忽略错误时序上下文的问题，DASH 提出自适应传播门机制。
DASH 将局部蒸馏信号与序列均值的差距转化为传播门，动态控制监督信号的向后聚合。高风险分叉点获得更远的信号传播，低风险步骤则避免干扰，从而显著提升学习效率。
在 AIME 及 HMMT 等高难度数学推理基准上，DASH 在不同规模模型上均取得最高分，且无需额外计算开销，实现了“免费”的性能提升。
EverMind 自进化框架全景
EverMind 将自进化路径概括为四层递进体系：
- 任务层：优化单次任务执行质量，沉淀记忆与技能资产，对应 EverOS 与 SkillCorpus。
- 脚手架层：优化 Code 与 Policy，积累可复用行为资产，对应 Raven 框架与 HarnessBank。
- 模型层：优化模型本身，实现个性化专属能力，对应 DASH 算法。
- 元改进层：优化评估器、数据与训练配方，让改进能力本身持续升级。
配合此前发布的 EvoAgentBench 评测基准，EverMind 已形成从技术研究到评测验证的完整闭环。
对比海外：全栈生态的领先优势
相较于 RSI、Engram、Adaption Labs 等海外团队在单点或理论阶段的探索，EverMind 展现出“三层并发”的战略纵深。团队未陷入参数化与非参数化记忆之争，而是通过 EverOS、Raven 和 DASH 构建了全栈生态。
更重要的是，EverMind 坚持开源优先，GitHub 星标数已超 1.2 万，迅速建立起类似 Android 的开发者生态护城河。
中国 NeoLab 的崛起时刻
EverMind 坚信，下一代 AI 必然是具备长期记忆、越用越聪明的系统。一年内，团队在长期记忆与自进化领域产出 9 篇高质量论文，多篇被 ACL、KDD 等顶会录用。
DASH、Self-Evolving Harness 与 SkillCorpus 三者合一，构成了从感知错误、修改逻辑到沉淀记忆的完整自进化闭环。这不仅是一个工程产品，更是拥有扎实底层技术与学术支撑的科学成果。
在定义“数字生命”新形态的道路上，中国研究型团队已凭借深厚的技术积累走在了前列。EverMind 正邀请各界伙伴共同构建 AI 长期记忆基础设施，将自进化技术推向更广阔的应用场景。
属于中国 NeoLab 的时刻，已经到来。
相关论文链接：
HarnessBank: https://arxiv.org/abs/2607.13683
SkillCorpus: https://arxiv.org/abs/2607.15557
DASH: https://arxiv.org/pdf/2608.06243v1