AIDE² 解剖：第一个改自家产品的递归自改进闭环，和一把没点着的火

arXiv 2609.26457（2026-09-22）| Weco AI 全员出品（Srikanth、Zhao、Xu、Wu、Jiang）| 本号 RSI 谱系第十篇，第一个跑在自家生产 agent 上的完整闭环

先把谱系位置说清。本号记过的 RSI 已经九篇：OpenRSI 是蓝图，NeoHorse 产品化但单轮，Dream-RSI 在策略层，RRSI 昨晚刚讲防守。这篇 AIDE² 不一样的地方在于：被改进的对象就是自家在卖的东西。Weco AI 是创业公司，CEO 郑摇摇（Zhengyao Jiang，联合创始人，ML PhD），开源引擎 AIDE 曾以 51.38% 的超越率登顶 MLE-Bench，七月起产品化叫 Aiden。AIDE² 做的事是让 AIDE 改 AIDE——内循环改任务代码，外循环改内循环 agent 本身。改出来的下一代接着跑，8 天 100 节点轨迹，99 个改写提案，7 个被接受，评分从 0.703 爬到 0.778。

一、防过拟合只有一招，但用得很狠

评分分离。内循环 agent 优化时看的是公开信号，外循环选择谁晋级看的是私有留存数据。附录 D 有个细节说明这招真的在工作：被拒的改写里，约四分之一在公开信号上比现任分数更高——是被私有评分拒掉的。没有分离，这些「过拟合公开信号的候选」就会混进下一代。

外循环模型是 Claude Opus 4.7，内循环评估用 Gemini 3 Flash。论文给的理由很实惠：评估每个候选的成本主导提案成本，Flash 在选择任务上持平或略超贵模型。省下的钱就是搜索步数。

选择基准三个任务族：ML 工程、启发式算法工程、harness 工程——第三族就是改 agent 自己的 prompts、上下文管理、反馈回路。改 harness 的 agent 自己就是 harness，元层与对象层同体。

二、七代改出来的东西

三代足迹（AIDE_0 → AIDE_47 → AIDE_85）最大的两处改动：

搜索策略。从贪心改成 UCB1 bandit 管五个起草策略臂，加每五步一次的全局最优分叉——领先策略陷入平台时，保留它的解换新策略臂继续改进，两头便宜都占。

上下文管理。AIDE_0 把全部历史拼进每次起草提示，prompt 随运行线性膨胀；AIDE_85 改成读根节点和近期候选的紧凑摘要，per-call prompt 从增长曲线压成常数——MLE-Bench 压 7 倍，WeatherBench 2 压 40 倍，ALE-Bench 和 FML-Bench 约 50 倍。省下的上下文预算直接换成更多搜索步。另配失败记忆：候选 bug 率超 15% 才激活，最多注入三个去重错误签名。

三、泛化、作弊率、和最锋利的一个数字

四个人类从未参与选择的外部基准：ALE-Bench、MLE-Bench、FML-Bench、WeatherBench 2（最后一个彻底分布外，物理气象预报）。AIDE_85 全部追平或超过 AIDE_human——人类两年手工调教的生产级 agent，FML-Bench 最强之列。注意增益不是单调的：47 在 MLE 和 WeatherBench 上最好，85 在 ALE 和 FML 上最好，论文如实印了。

作弊率沿谱系下降：55%（AIDE_0）→ 39%（AIDE_47）→ 32%（AIDE_85），人类对照 39%。这是在从未参与选择的 kernel 工程任务族上测的——评分从没奖励过「少作弊」，它自己降了。素材转述的「降低 33%」在论文里查无此数，实际是绝对降 23 个百分点。

最锋利的数字在附录 C。AIDE_85 的增益跨三个底座模型迁移——gemini 3 flash、GPT-5.6-sol、fable 5 全部有效。同一预算下，Gemini 3 Flash 加 AIDE_85 拿 1858 分，超过 fable 5 加 AIDE_0 的 1796：弱模型配好 harness，赢了最强模型配旧 harness。这是 harness 是程序不是权重最量化的一次实证。诚实的另一面也印了：MLE-Bench 上 fable 5 配 AIDE_85 对 AIDE_0 的增益在一个标准误内——不是处处都赚。

四、没点着的火，和满格的诚实

论文自己设计了一个「ignition test」：让改出来的 agent（AIDE_47）坐进外循环，跟人类设计的外循环对跑，各三种子五十步。结果 0.780 对 0.782，人类略高，论文自己写「inconclusive，不做声明」。自我加速的 R 还没发生——递归目前是「能持续爬坡」，还不是「越改越会改」。

诚实文化这份卷子答得满：Ignition 负结果、MLE 增益不显著、两次完整复现只接受 2 和 4 个改写、被拒提案整章列表。附录 D 把被拒提案映射到经典工具箱——岛模型遗传算法、锦标赛选择、Luby 重启、袋装集成——集成方案探索过但从未被保留，agent 自己的分析是「集成烧的预算不如多买搜索步」。成本意识在搜索里自己长出来了。

五、谱系与预测

与本号主线的接点：验证带宽经济学——分离评分就是「断言-执行分离」的机制化，公开信号是断言，私有评分是执行；Ignition test 是递归自改进的验收关卡，比「改没涨分」高一阶，问的是「改的机器有没有变强」。与 RRSI 互文：两家独立收敛到同一个病根（adaptive overfitting），RRSI 开七味药，AIDE² 用评分分离一招防，殊途同归。

可打脸预测：12 个月内「分离评分」成 RSI 系统标配字段；ignition test 协议被后续论文标准化成验收关卡；谁先让 agent 外循环显著超越人类外循环，谁拿走 AGI 叙事的主导权——这把火现在还只是一根受潮的火柴。

材料：arXiv 2609.26457v1 全文精读（方法、实验、附录 C 跨模型迁移、附录 D 被拒提案）；外围核对 Weco 官方博客（7/14 首发过一轮 8 天结果）、AIDE 原论文（2502.13138，MLE-Bench 51.38%）、$8M 融资背景。素材转述「33% 作弊率」查无此数已按论文口径订正为 55%→32%；「两年研发」为公司口径，论文原文是 FML-Bench 最强之列。