Xudong Han(@Xudong07452910):Agent 自我进化也会过拟合。 Harness 在同一批任务上反复修改，Benchmark 分数可能一路上涨；换到新任务后，刚学到的能力却很快失效。 Google Cloud AI Research 等团队这篇 RRSI，专门给 Harness Evolution 加了一套「正则化」。它主要从两端限制自我改进： Proposer 负责提出修改。前期允许一次尝试更多变化，后期逐渐收紧每轮能改的组件数量；同时参考历史进化轨迹，鼓励探索还没试过的方向，减少反复走同一条路。 Selector 决定哪些修改能留下。其中有两个关键角色： Critic 会过滤明显针对 Benchmark 写死的技巧，避免 Harness 靠记题刷分； Pruner 会删掉收益太小、token 成本太高，或者后续已经没有价值的改动，防止 Harness 越进化越臃肿。所以它最终想保留的，是能跨任务复用的机制。结果在普通 Harness Evolution 在训练任务上分数更高，但 OOD 平均只有 40.3；RRSI 达到 43.6，同时推理 token 还减少了约 30%。有一个直接的感受是自我进化做到后面，难的是决定什么值得继承。换了环境还能留下来的改动，才更有价值。 📎 arxiv:

2026.09.23 11:32

Agent 自我进化也会过拟合。 Harness 在同一批任务上反复修改，Benchmark 分数可能一路上涨；换到新任务后，刚学到的能力却很快失效。 Google Cloud AI Research 等团队这篇 RRSI，专门给 Harness Evolution 加了一套「正则化」。它主要从两端限制自我改进： Proposer 负责提出修改。前期允许一次尝试更多变化，后期逐渐收紧每轮能改的组件数量；同时参考历史进化轨迹，鼓励探索还没试过的方向，减少反复走同一条路。 Selector 决定哪些修改能留下。其中有两个关键角色： Critic 会过滤明显针对 Benchmark 写死的技巧，避免 Harness 靠记题刷分； Pruner 会删掉收益太小、token 成本太高，或者后续已经没有价值的改动，防止 Harness 越进化越臃肿。所以它最终想保留的，是能跨任务复用的机制。结果在普通 Harness Evolution 在训练任务上分数更高，但 OOD 平均只有 40.3；RRSI 达到 43.6，同时推理 token 还减少了约 30%。有一个直接的感受是自我进化做到后面，难的是决定什么值得继承。换了环境还能留下来的改动，才更有价值。 📎 arxiv: