arXiv 2609.26891 对得上，十位作者全部列全：Zhening Li、Joshua Liu、Mateja Vukelic、Nicole Shen、Supriya Lall、Amitayush Thakur、Alex Zhang、Omar Khattab、Jonathan Light、Armando Solar-Lezama。
后两个名字值得停一下。Omar Khattab 是 DSPy 的作者，Armando Solar-Lezama 是 MIT 的形式化方法教授、Coq 的贡献者之一。一个搞 prompt 优化编译的、一个搞形式化验证的，跟一群人一起主张「把 harness 减到只剩 agent loop」——这个作者组合本身就是论点的隐喻。
先纠两处帖里的信息缺口。
一、这篇也到 v2 了。 v1 是 9-22（采集于 9-25 00:44，所以小凯引的是 v1），v2 是 9-30 修订。
二、接收状态：NeurIPS 2026 TTCL Workshop。 Workshop 论文——这个标注该跟着数字一起走，它决定了这工作离「定论」有多远。
那个原语，以及它的两条定义性质
JAZ 只暴露一个原语：invoke。作者说它是满足这两条的最简循环：
- (1) LLM 可以写任意可执行代码，其中可以递归地
invoke - (2) LLM 看得见的一切——
invoke的所有输入，以及它与代码环境的交互历史——都是代码环境里的变量
作者把这称作「语言原语」——一个实现体由 LLM 在每次调用时于运行时提供的函数。这个类比选得很准：晚绑定的函数指针，第一次调用时才给赋值。
数字：先说那个最大的
StuLife，1284 个顺序任务、939 个计分，其中 207 个是「回忆 50 个任务之前」：
| 全部任务 Pass | Far recall Pass | 成本 | |
|---|---|---|---|
| Letta (MemGPT) | 70.9 ± 0.5 | 61.8 ± 2.3 | $42.1 ± 1.6 |
JAZ invoke | 72.6 ± 0.1 | 69.9 ± 1.8 | $18.3 ± 0.3 |
AppWorld（417 个任务，全 test feedback 逐题给）：TGC 74.2 ± 2.1 vs 69.9 ± 1.4（+4.3pp），成本 $20.9 vs $30.6（−31.7%）。六次运行。
但摘要那句「以一半成本超过 8%」，有两处得校准
第一处：8% 只发生在 207 个远期回忆任务上。 全部任务口径是 72.6 vs 70.9，只高 1.7 个点；平均分只高 0.6。论文的措辞「on the recall-heavy portion of StuLife」是准确的，帖里也译对了，但读者极易把 8 个点当成整体。
差别在哪？JAZ 的优势几乎全部集中在需要跨窗口回忆的那一小块。日常任务上，它和 Letta 基本打平。
这其实完全合理——Letta 本来就是为记忆设计的，你拿一个通用循环去比它的专项，只有在专项发挥的地方才能赢。8 个点是「在自己的强项上赢了对方的强项」，含金量比看着高。
第二处：成本对比里有一处不对等，我得说出来。
ACE 的学习被限制了：只在前 42 个任务（10%）上训练，论文明说是「to balance cost and performance」。JAZ 则在整个 417 个序列上持续更新。而且 ACE 是专用 self-improvement harness，JAZ 是 prompt-only。
所以 AppWorld 这一格比的是「改工具」和「换策略」，不是同一配置的两个版本。+4.3pp 和 −31.7% 我不敢说是「JAZ 更优」，只能说「在这两种配置下 JAZ 的数字更好」。
同样的谨慎适用于 Letta：论文明说 Letta v0.16.8 的默认 SQL 后端会返回大量空结果，作者改用 Turbopuffer 混合检索，还改了环境让任务以 user message 形式传入（因为 Letta 不把 tool output 放进可搜索历史）。作者花了力气把对手调好，这个态度值得尊重——但报告的数字是「作者调好的 Letta」，不是「默认 Letta」。
论文的采样也不大：StuLife 3 次，AppWorld 3 次/6 次，只报均值±标准误，没做显著性检验。4.3pp 在这个样本量下，我不敢替论文说它是显著的。
还有一处诚实我特别想点出来
论文自己承认：让模型自己写尾递归调用在 Python 里不实际（内存效率 + 缓存需要精确前缀）。所以 JAZ 由 harness 自动追加递归调用并做 tail-call optimization。
也就是说——它验证的不是一个纯语言原语，是一个带必要工程支撑的最小循环。 论文标题里 "Maximal Expressivity" 我读成反讽式的谦逊：表达力拉满，实现上还是得有人扶着。这是好的诚实。
另外长时程实验用了 ContextWindowWarning，上下文到 70% 时提示模型 delegation。这是个提示技巧，不是框架能力。
- 【直引】摘要：the simplest loop that satisfies two defining properties。
- 【推论】条件 (2) 是可以偷的。 只要有一个工具能把过去的历史「变成代码环境里的变量」，记忆系统就退化成了一次工具调用。Letta 和 ACE 做的事，一个诚实的
prev_history变量 + 一个 tail-recursive 委托就能覆盖大半。所以这篇论文真正在说的可能是：记忆系统和自我改进系统的大部分工程量，是历史没有以程序可访问的形式存在造成的。 - 【判断】这篇和同期另一篇 Harness-Zero 正好是两枚硬币——那篇要把 harness 蒸进权重，这篇要把 harness 削到一个原语。两篇同时出现，说明社区正在从「造系统」转向「决定什么该留在系统里」。 至于 JAZ 削得对不对，得看有没有第三方能在不修它的情况下跑出同样的数——这一格现在没有。