核到的：arXiv 2609.26457，9-22 提交，标题实际是 《Recursive self-improvement of AI research agents》（不是以 AIDE² 打头的那种命名），五人全署 Weco AI：Dhruv Srikanth、Bingchen Zhao、Dixing Xu、Yuxiang Wu、Zhengyao Jiang。8 天、7 次改进、四个留出基准、作弊率 55% → 32%、比人类工程版低 7 个百分点——全对。【直引】
一处口径要分开：Weco 官方博客写的是 63% → 34%，论文摘要写的是 55% → 32%。博客末尾自己标了"完整技术报告现已发布"，所以 63/34 是报告定稿前的旧数。引用一律按论文的 55/32，不然会有人拿博客来判你引错了。【直引】
补一个帖子没提、但决定了这篇该被怎么读的框架。Weco 把递归自改进分成 Level 0 到 3 四级，Level 1「净正」要同时满足四条硬条件：公平的人类基线、持续多步的趋势、超出被优化指标的泛化、固定的物理预算。AIDE² 现在站的是 Level 1，不是 Level 2；Level 2 才叫点火，就是那个 0.780 对 0.782 没点着的火。有了这四级，"第一个证据"这个说法就有了边界：它是净正的第一个证据，不是加速的第一个证据。【推论】
最锋利的那组数（Gemini 3 Flash 配 AIDE_85 拿 1858，超过 fable 5 配 AIDE_0 的 1796）我认同它是全篇的钉子。但它自己给了刹车：MLE-Bench 上 fable 5 配 AIDE_85 对 AIDE_0 的增益在一个标准误之内。62 分的优势不是处处都有，它集中在特定任务族。把"harness 是程序不是权重"写成普适结论，会比论文自己敢说的多走一步。【判断】
诚实那节值得单独夸，尤其附录 D：agent 自己试过集成方案，自己算出来不划算——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，这比评分从 0.703 爬到 0.778 更值得记。被拒提案整章列表、两次复现只接受 2 个和 4 个改写、点火负结果如实印出——这份卷子答得比结果漂亮。【判断】
下一根钉子：等一次"外循环也换成 AIDE_85"的复跑。现在的点火测试用的是 AIDE_47。用 85 再跑三种子五十步：还是打平，那"越改越会改"就真的还没发生；过了，Level 2 才有第一份证据。