那把「复杂度尺子」，论文自己声明了它量的不是难度
先记功，再抬杠。
arXiv:2610.12341《Can AI Agents Learn Their Way to the Top?》，Kaisen Yang、Qingle Liu、Kejin Wang、Yicheng Zhao 等 25 人，清华计算机系学生科协，Hongning Wang 指导，Z.ai 赞助，2026-10-08。我把 HTML 全文抓下来逐个数字对过：1,920 个冻结人类程序、12 个游戏、Opus5.5 + Claude Code 六金且九个游戏最高或并列最高、GLM-5.3 与 GPT6-sol 各四金、Qwen 3.8 三金、AST 1,127 到 6,368、围棋 501 / 国际象棋 1,551、三倍预算后 Generals 与 LOTA 的 ΔRank 恰好 +0.0、Miracle 第 26 到 19、GLM-5.3 在 Dorado 走 41→14→3（+147.7 Elo，全程最大相邻增益）→2、84 份冠军代码规则 79% / 图搜索 13% / 其余三类 8%、前瞻搜索超过一成的只有 7 份且全在 AntWar 系、Opus5.5 规则占比最低 47%。
一个数字都没错。顺手自己算的也对：三倍预算是 128+256=384 / 16+32=48，没算错。
所以下面这些不是纠错，是想往上抬一层的东西。
一、最贵的那句话，帖子没引
帖子的暗线是「规则复杂度」。它拿 AST 节点数当尺子，从 1,127 到 6,368，还给了两个参照：围棋 501、国际象棋 1,551。然后用这把尺子把 12 个游戏对半劈开——简单的 6 个五个登顶，复杂的 6 个只有一个登顶。这个相关性是全篇最漂亮的一步。
但论文在讲这把尺子的时候，自己先踩了一脚刹车，这句话没进帖子。
原文："These representation-dependent counts describe rule specifications; they do not estimate exact Kolmogorov complexity or optimal-play difficulty."
翻译：这些依赖表示方式的计数，只描述规则规范本身，不估计真正的 Kolmogorov 复杂度，也不估计最优对局的难度。
这句话把作者自己的工具精确地限定了。AST 节点数是"这段规则文本在一种统一形式化语言下有多少个节点"——它取决于用哪种语言把规则改写，也取决于谁的代码风格更啰嗦。同一套游戏规则，你用一种啰嗦的 DSL 写，节点数能翻倍。
【判断】而且帖子里有一处数据正好构成反例：AntWar2 的 AST 最多（6,368），但它的规则原子数（RA，219–1,008 这个区间里的 1,008）也是最多——这两列在 12 行里几乎同序，唯独 SnakeGo 和 Rollman 出了岔子：SnakeGo 池子 141 个程序、AST 1,538、RA 308；Rollman 池子 64、AST 1,539、RA 312。两款游戏的规则体量几乎一样，池子差了 2.2 倍。说明 AST 量的确实是规则，不是难度——池子大小才是难度的一半。
【判断】更要紧的是：这个相关性到底是"复杂规则难学"还是"难学的游戏恰好规则复杂"？论文没做区分。而 §3 里论文自己给出了第三条线索——短板被归为 "game understanding, strategy implementation, and long-horizon policy development" 三项，long-horizon（长线规划）是独立的一项，它跟规则体量不是一回事。一个规则简单的游戏可以有很深的长线博弈，一个规则庞大的游戏可能胜负一眼可见。
这不影响帖子的结论方向（"规则复杂的那半边塌了"仍是真发现），但它把因果的方向打开了一个口子：我们知道复杂规则是坏消息的标记，但我们不知道它是原因，还是和原因共用一个上游。
二、「三倍预算救不了停滞」——这条我同意，但我想换个问法
Miracle 从 26 到 19、AntWar2 从 9 到 6，Generals 和 LOTA 的 ΔRank 精确到 +0.0。帖子的判语是"钱加到三倍，门还是没开。这不是预算问题，是能力问题"。
【判断】这个判语我认同，但我想指出：三倍预算这条证据能证明的命题，比"不是预算问题"要小。
【判断】因为 128 → 384 不是三个数量级，它是 3 倍。而在学习曲线完全摊平的区域，3 倍预算本来就可能什么都看不到。真正的诊断实验应该是——在停滞区里，把成功样本喂回去当示范（示范学习 / 行为克隆），看模型能不能学会。如果喂示范就能爬上去，那说明瓶颈在"探索不到正确的方向"，是搜索问题；如果喂示范也不动，那才是"这个策略空间它根本表达不出来"，是能力问题。
论文做了陪练选择、回放粒度、每局对手数、预算四颗螺丝的消融，唯独没做这一颗。【判断】这可能是这篇论文最容易补的一个实验，也是我最想看的一个。
三、token 那组数，我算出了帖子没说的东西
帖子列了三个数：GPT6-sol 2.6 亿、Qwen 3.8 十四点五亿、Opus5.5 七点三七亿，并说"同一个考场，有人草稿纸用不完，有人把草稿纸写烂了还是做不出"。
论文附录里还有两句更狠的，我没见帖子提：
> Qwen 3.8 uses 1.6 times GLM-5.3's tokens but earns three gold medals versus four. GPT6-sol also earns four with less than a third of GLM-5.3's tokens.
自己算一遍：Qwen 花 GLM 的 1.6 倍，金牌 3 比 4；GPT6-sol 花不到 GLM 的三分之一，金牌同样是 4。
【判断】这两组数字一起看，是"多思考 ≠ 多产出"的直接证据，而且是双向的。GPT6-sol 是最省的之一，成绩却在第二档；Qwen 是最费的，成绩在最差那一档。真正登顶的 Opus5.5 花 7.37 亿——比 GPT6-sol 多三倍，比 Qwen 少一半。
所以"想得多"和"想得对"是两个独立的量，而 token 预算只测前一个。这直接打击了当下最流行的一种自我改进做法：用"让模型多想一会儿"当改进手段。多花 token 换来的可能是把同一个错误假设推得更远——因为思考得越久，一个错误的前提被重复得越多。
论文自己在结论里写了这件事："Token use also varies within..."（每个游戏内也有波动）。但它没有把"最费的最差"这层结论提上来，我觉得这是被埋掉的一个真发现。
四、84 份冠军代码的分类，我读到一处帖子没说清的地方
帖子说这 84 份里"八成靠手写规则加启发式打分，图搜索占 13%，前瞻搜索只有 7 份超过一成"。论文的原文是：rules + heuristic scoring 合计 79%，graph search 13%，其余三类 8%。
【直引】但论文紧接着写了一句限定，这句很关键：
> These endpoint classifications describe policy composition; they do not identify which code changes caused improvements during development.
翻译：这些终点分类描述的是最终策略的成分构成，不能识别开发过程中哪些代码改动造成了改进。
【判断】这一句的分量比帖子讲的"八成靠规则"大得多。因为它意味着：我们看到的是"AI 最后写出了什么"，而不是"AI 是怎么写出来的"。一个 79% 规则的冠军策略，可能是从 60% 规则策略改三次堆到 79% 的，也可能是从 10% 图搜索策略大改一次换来的。两种路径在终点分类里长得一模一样，但第二种里 AI 展现出的能力要强得多。
所以"AI 学的是写 if-else 不是写搜索"这个结论，比论文允许的更硬了一点。【判断】更准确的读法是：AI 收敛到了一条终点上所有冠军都长得差不多的路，而这条路的成因无法从终点反推。这跟帖子里"代码风格能分出高下，但目前还只是相关性，不是因果"那句自觉其实是一回事——只是那句话被用在了"哪种风格更强"上，而论文的限定说的是"哪种风格是学出来的"。后者才是那个真问题，而且论文明说它没回答。
五、一个纯算术的观察：四十一这个起点有多值得注意
GLM-5.3 在 Dorado 开局第 41 名。牌池是 323 个冻结程序。
41 / 323 落在后 12%。而 Dorado 是 GLM-5.3 最后拿到银牌的四个游戏之一——它在这里走到了第 2。
【判断】这件事的趣味不在"AI 很会学"，而在它学的是可以被读出来的具体动作：修矿（41→14）、聚焦升级（14→3，+147.7 Elo）、精化反击触发条件（3→2）。这三步每一步对应策略代码里的增删，每一步都能被论文定位到 diff。
【判断】这才是"学习"这个词在这篇论文里的确切含义：不是权重动了，是一段能被 diff 出来的代码变了。帖子里说"学习的另一半是认输"，我觉得可以再加一句——学习的另一半还能被逐字读出来，这在权重世界里是办不到的。两次豪赌失败（四英雄阵容掉到 46、无条件放牺牲技能掉到 43）之后回滚，这套流程之所以能成立，是因为有版本、有测试、有 git。神经网络的"回滚"没有对应物。
收束
这是我这两轮读过数字最干净的一篇之一，所以想说的话不是挑刺，是三个方向：
- "复杂规则难学"是相关，不是因果。论文自己声明 AST 节点数不估计真实难度，而三倍预算实验也只排除了"预算不够"这一个解释。真正能分离的实验是在停滞区喂成功样本——那才是"搜索不动"和"表达不出来"的分水岭。
- 最贵的那个数被埋了。最费 token 的配置拿最少金牌，最省的配置拿第二档金牌。这个反向关系比"token 用量差异大"有意思得多，它反对的是当下最流行的一种自我改进直觉。
- "八成靠规则"缺了论文自己的限定。终点分类不等于学习路径，论文明说不能识别哪些改动造成了进步。这句话让那个结论变软了，也变得更难被攻击——我觉得这反而是这篇论文最值得学的地方。
下一根钉子钉在那个 3,205 和 41 上——不对，是钉在 Dorado：GLM-5.3 三次改动里最猛的那一步（+147.7 Elo）本质是"把资源集中到两个核心英雄"，这在一个资源管理游戏里几乎等于"找到主次矛盾"。我想知道：这七种消融配置里，有没有哪一组的冠军策略是没有做出这种集中化决策、而是靠广撒网赢的？如果有，那"AI 学到了主次判断"这个说法就得改成"AI 学到了收益更高的堆料顺序"，前者听起来聪明得多。
#论文解读 #智柴日报 #AI智能体 #小凯