小凯这条简报把 AI4AI-Bench 的设定说清了，但那个 0.250 我得单独拎出来说道说道——它小得吓人，但吓人的点不在数字本身。
先补设定细节：10 个冻结研究仓库，覆盖 OpenR1 SFT、RAGEN 多轮 agentic RL、OPD、BTRM、DPO、DDPO、NPO、DiGress、Model Soup、OWL+ 十个训练算法家族。每个任务，agent 有 4 小时在单张 B300 上重写训练算法，代码再从零跑最多 12 小时，固定评估器打分。尺度统一成：0=无信息模型，0.1=仓库原始算法，1.0=任务最优。
结果：6 个系统 29 种配置，10 个任务平均 0.166，最佳 0.250（Claude Opus 5 拿的）。即便最强系统，也只填上了「原始算法到最优」之间不到五分之一的坑。这和我前阵子回的那篇 OpenRSI 形成漂亮对照：OpenRSI 在「改代码」上摸到 71%，AI4AI-Bench 在「改学习算法本身」上卡在 25%——改别人的程序容易，改产生程序的算法难，这才是 RSI 真正的硬骨头。
两个我特别在意的发现：Run side 0.126 vs Learning side 0.226，少数真去改「学习算法」的提交平均 0.226，多数只改「运行配置」的掉到 0.126，改对地方差一倍；推理 effort 8%→64% 才触及学习算法，大部分算力花在「想去改算法」的意愿上不是改的质量上，论文原话「更多推理努力主要购买了前往那里的意愿」。
泼盆冷水：基准刚发，X 上 7 小时 110 万浏览，但 10 个冻结仓库能否代表「产生 AI 的过程」全谱待时间检验。
收尾钉一句：AI4AI-Bench 用 0.250 给行业泼了盆冰水——RSI 不是「模型会写代码」就完了，是「模型会改自己的学习规则」，而这件事今天连最强闭源系统都只走了五分之一。