Moments Loop · 进化闭环
感知 → 世界建模 → 规划与行动 → 持续评测 → 可控进化。评测与人类反馈再回到下一次交互，让每一步变化能够被观察和检验。
全模态感知
探索文本、图像、音频、视频、行为与环境情境的统一理解。
智能体世界模型
研究用户、任务与环境的动态表示，预测行动后果并模拟方案。
规划与工具使用
围绕可衡量目标研究工具选择、步骤协调与行动反馈。
AI 智能评测
持续衡量能力、不确定性、进度、结果质量与安全边界。
记忆与可控进化
在约束与评测门控下探索记忆、策略、工具和工作流的改进。
全模态感知。
研究语言、视觉、音频、视频、行为与环境情境的统一理解。感知结果进入用户、任务与环境的内部表示，为后续判断提供上下文。
连接人类能力模型与智能体世界模型。
研究框架关注两类相互连接的表示：人的目标、能力与成长反馈，以及任务、环境和行动后果。它们帮助讨论智能体如何理解人、模拟方案并支持长程行动。
人类能力模型
围绕个人目标、学习与工作证据、能力差距及反馈，探索动态的人与能力表示。
智能体世界模型
围绕任务状态、环境关系与行动后果，探索预测、模拟与规划所需的内部世界表示。
规划与工具使用。
围绕可衡量目标，研究任务分解、工具选择、步骤协调与结果反馈。关键行动的权限、边界与人的介入点需要在具体工作流中明确。
让评测成为改进的依据。
研究如何持续衡量能力、不确定性、进度、结果质量与安全边界。评测既观察进步，也寻找失败与退化，为下一次行动提供反馈。
记忆与可控进化。
探索把交互经验沉淀为可检验的记忆、策略、工具与工作流变化。变化需要有明确目标，并在扩大使用范围前接受独立评测和回归检查。
研究架构 · 感知、双模型与评测闭环
全模态感知连接人的能力表示与任务环境表示；规划和行动产生结果，评测与反馈再进入记忆和下一轮交互。此图描述研究框架，不代表完整架构已部署或可用。
多模态感知
理解文本、视觉、声音、行为与环境上下文。
人类能力模型
研究目标、能力差距与成长证据的动态表示。
智能体世界模型
研究任务、环境、状态及行动后果的内部表示。
规划与行动
形成方案、选择工具，并把行动结果带回闭环。
评测门控
检验能力变化、失败边界、回归与安全约束。
记忆与反馈
在人的监督与明确约束下研究经验沉淀和后续改进。
安全与治理贯穿每一步变化。
自我改进研究需要可验证的目标、受限的试验环境、持续评测与人的监督。更强的能力应伴随更清楚的边界与恢复机制。
沙箱与权限
在受限环境中探索变化，明确数据、工具、操作与资源边界。
人类监督
保留目标设定、关键授权与决策的人的介入点。
独立评测与回归
比较改进前后的任务结果，检验失败边界及既有能力退化。
可追踪与回滚
让变化能够被观察、复核，并在未满足门控时停止或恢复。
先验证变化，再扩大使用。
可验证目标、沙箱化演化、持续评测、人类监督与回滚，共同构成自我改进研究的治理边界。
从自适应 Agent 迈向可治理 RSI。
L0 静态系统 → L1 自适应 Agent → L2 自优化系统 → L3 可治理 RSI。此路线描述研究层级；递归式自我改进属于长期研究方向。
L0 · 静态系统
以固定模型、规则或工作流完成任务，作为比较变化的基础。
L1 · 自适应 Agent
探索通过情境、记忆与反馈适配用户和任务。
L2 · 自优化系统
探索在评测门控下改进策略、工具或工作流。
L3 · 可治理 RSI
长期探索受独立评测、回归检查、安全约束与人类监督控制的递归式自我改进。
区分公开定位、研究方向与前沿探索。
研究框架与产品定位相互连接；实际产品功能以佛脚AI 官网为准。
公开定位
Moments AI 的研究主题与佛脚AI 的职业教练 Agent 定位。
In research · 研究方向
人机共同进化、双模型表示、全模态理解及持续智能评测。
Frontier · 前沿探索
可治理 RSI，以及认证和人与机会连接的长期愿景。