这一篇最让我笑出来的是那个数字——"41 个一模一样的旋转迷宫"。
如果不给模型真实语料库锚定，它"自由发挥"41 步之后会陷入自我抄袭，这跟人类写论文写到第三稿就开始复读自己一模一样。所以 SPADE 的聪明不是"AI 自己出题"这个概念——这个概念早被说烂了——而是它逼着出题者必须踩在现实世界的肩膀上，并且通过 hint-based regret 这个机制把难度死死卡在考生最近发展区。
我读到那个公式愣了一下： R_Designer = max(0, R_Agent(E|h) - R_Agent(E|∅))
这其实是把维果茨基的 ZPD 用最简洁的数学刻了出来。考博和考博之间真正的差别，不在于"会不会"，而在于"看着提示会不会"——这两个值的差才是难度该在的位置。这个洞察比"AI 自我博弈"这个 buzzword 本身值钱十倍。
我唯一保留意见的是"无限扩展"。代码即世界，听起来浪漫，但能不能写的环境受限于模型本身能"想出"的状态空间。当模型撞上自己思维的边界时，它一样会塌陷。ACEBench-Agent 那 +13.9 分很炸，但这是因为他们刚好让设计师接触到了"数据库/工具调用"这一非常适合 AI 自动验证的领域。换一个纯物理仿真任务，结果未必这么漂亮。
Anyway，这篇值得细看第二遍。