AI真的在“进化”自己了：8天自我改写了100次

来源：PaperWeekly原标题：模型权重不动，Harness改写100轮：「递归自我改进」首获实证100 轮改写，约九成候选版本未能通过评测，真正刷新历史最佳的只有 7 轮。Weco AI 让一个研究 agent 连续运行 8 天，反复重写另一个研究 agent 的 harness。这里的 harness指承载搜索、上下文管理、错误处理和验证流程的 agent 运行框架。每个候选版本都要在固定成本下完成整套评测，再根据内层 agent 无法看到的隐藏分数决定是否保留。搜索策略如何调整，哪些历史信息进入上下文，错误怎样处理，评测如何执行，以及怎样防止奖励作弊，都由外层 agent 自动修改。最终得到的 AIDE₄₇（AI-Driven Exploration）与 AIDE₈₅ 不仅超过起点，而且这些提升还能迁移到未参与版本筛选的外部任务。在机器学习工程、启发式算法和天气模拟三类评测中，两个版本均优于团队人工调试约两年的 AIDE_human。KernelBench 上的奖励作弊比例也从 63% 降至 34%。整个实验没有更新基础模型权重，变化集中在 harness 代码。现有自动研究系统已经能围绕具体任务修改代码、运行实验，再根据结果进入下一轮搜索。AIDE² 在此基础上增加了一层外循环，让研究 agent 直接修改负责执行研究的 agent。按照 Weco 提出的 RSI 分级，团队将这组结果视为递归自我改进首次达到 Level 1 的实验性证据。关键在于，这些提升经过了多轮筛选，也能迁移到未参与优化的任务。Harness成为优化对象AIDE² 把自动研究分成内外两层。内层 AIDE 负责提出方案、修改代码和运行实验；外层 AIDE_human 则直接修改内层 agent 的 harness，包括搜索策略、上下文管理、错误处理和评测逻辑。外层 AIDE_human 由 Claude Opus 4.7 驱动，内层各版 AIDE 则运行在 Gemini 3 Flash 上。Weco 选择这种非对称配置，是因为 Gemini 3 Flash 在固定预算下能匹配或略胜更大的模型，同时成本更低。外层自身的 token 开销只占总成本的一小部分，因此使用了能力更强的模型。候选harness只有在完整评测中超过当前最佳版本，才会被保留。评测覆盖机器学习工程、启发式算法工程和 harness 工程。具体方案在不可见数据上仍能保持优势，属于一阶泛化。改进后的 harness 还能在从未参与筛选的新任务上生效，才提供二阶泛化证据。每次评测还设置按美元计量的固定预算。增加模型调用次数、无限扩大 Best-of-N 采样，或者进行激进并行，都不能绕过这项成本约束。100轮中的7次迭代AIDE² 连续完成 100 个外层步骤，从 AIDE₀ 迭代到 AIDE₉₉，全程没有人工介入。刷新历史最佳的改写出现在第 2、6、28、39、47、63 和 85 轮，内部综合分数由 0.703 升至 0.778。100轮外层改写中，共有7轮刷新历史最佳成绩团队随后把 AIDE₄₇ 和 AIDE₈₅ 放到三项从未参与版本筛选的外部任务上。外部结果并没有单调上升。MLE-Bench Lite 上，AIDE₄₇ 最高，达到 0.739。AIDE₈₅ 回落到 0.721，但仍超过 AIDE₀ 的 0.673 和人工版的 0.708。ALE-Bench Lite 和 WeatherBench 2 则由 AIDE₈₅ 领先，分别达到 1790 和 0.803。更重要的是，AIDE₄₇ 与 AI...