最新的论文《AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement》制定了目前少见的、专门隔离 RSI 所需算法设计能力而非简单调参能力的测试基准 基准包含10个冻结的真实研究代码库，覆盖监督微调、agentic RL、蒸馏、偏好优化、扩散RL、模型剪枝等10类算法。 论文中的Agent 获得4小时和一张B300修改训练算法，随后其代码在干净环境中重新运行最长12小时，并由隐藏评估器评分。 29种配置的平均归一化分数为0.166，最佳系统0.250；真正触及学习过程的修改平均0.226，其他修改仅0.126。

很多时候，小模型缺的可能就是一套能把能力稳定调出来的 Harness。 这篇《AI4AI at Test-Time》研究了一个很有意思的问题： 能不能让更强的模型，直接给弱模型设计一套更好的工作方式？ 作者让 GPT-5.5、Claude Opus、Gemini 等强模型自动修改 Harness，包括 Prompt、任务路由、验证规则和确定性代码。整个过程不更新目标模型的权重。 结果 GPT-5.4-mini 原始平均准确率只有 48.8%，加入自动设计的 Harness 后最高达到 91.2%，甚至超过了裸跑的 GPT-5.4。 而且效果好的 Harness 往往会把一些容易出错的推理交给代码和规则处理，让模型只负责它真正擅长的部分。 所以强模型学到的能力是可以被外化成 Prompt、代码、工具和工作流，再交给更便宜的小模型长期复用。 以后就可以让大模型帮其他模型设计更好的「工作环境」。 📎 arxiv: