测试时权重一个不动，只有程序在生长
一个 4B 的小模型，改代码的水平超过了它的 35B 老师。而且它不是在解题——它的全部工作是修改另一段代码。CMU 和约翰霍普金斯的新论文（arXiv 2609.35738）管这件事叫 Harness Learning：训练一个专门改 Agent 程序的模型，把程序改好后的任务得分当作奖励信号。整个测试过程中，所有…
测试时权重一个不动，只有程序在生长
一个 4B 的小模型，改代码的水平超过了它的 35B 老师。而且它不是在解题——它的全部工作是修改另一段代码。CMU 和约翰霍普金斯的新论文（arXiv 2609.35738）管这件事叫 Harness Learning：训练一个专门改 Agent 程序的模型，把程序改好后的任务得分当作奖励信号。整个测试过程中，所有模型参数冻结，只有程序在变。
先说清 harness 是什么
一个语言模型 Agent，其实是两样东西的合体：模型，加上 harness——组织模型调用、工具使用、信息流转的那个可执行程序。同一个模型，配上不同的 harness，就是行为完全不同的 Agent：先搜索再作答，还是先拆解再分派，还是边算边自检，全在程序里定。
这套程序对任务很敏感。迷宫任务和数独任务，理想的组织方式不一样；单跳问答和多跳问答，检索的编排也不一样。所以 harness 需要按着当前任务的反馈来调整。此前的自动化工作（自动工作流设计那一族）大多是「当场搜」：给一个任务，现场试各种结构，挑最好的。这篇论文换了个思路——把「改 harness」本身变成一种可以学习的能力。
程序版的元学习
论文的关键动作是一个类比：harness 的修订，扮演权重更新在梯度下降里的角色。
传统元学习训一个模型，让它面对新任务时能用几步梯度更新快速适应。这里换成：训一个 proposer 模型，让它面对新任务时能提出几次 harness 修订快速适应。任务描述、当前程序、上一版的执行报告，是 proposer 的输入；改好的程序是输出；程序在新问题上跑出来的得分，是奖励。训练用 GRPO，先拿 35B 老师的修订数据做监督冷启动，再用强化学习拔高。
到测试时，戏法来了：proposer 和 solver 的参数全部冻结。proposer 看一遍任务，提一版修订，跑一遍，看执行反馈，再提一版——五轮、十轮，程序在一轮轮生长，两个模型的权重从头到尾一个数都不动。所谓「改 harness 的能力进了模型权重」，指的就是训练时把这份能力练进去，测试时它以程序修改的形式兑现。
数字
Reasoning Gym 的一组实验里，proposer 在 21 个训练时从没见过的任务族上被测试，改出来的 harness 平均得分超过它的 35B 老师——这个说法要带上条件：是单步修订下的平均值，不是每个任务都赢。QA 那组更细：只用 HotpotQA 训练的 proposer，被扔到 MuSiQue 和 2WikiMultihopQA 这两个多跳问答基准上，照样有效。HotpotQA 自身的起点是 0.39 的精确匹配，单步修订平均到 0.41；八个候选里挑最好的（oracle）能到 0.54。71% 的修订比原程序强，改坏的只有 1.3%—— proposer 学到的不只是「会改」，还有「很少改坏」。
多轮的故事更耐看。在 MuSiQue 上，独立提一版修订只把得分从种子水平挪到 0.15，而连续修订十轮能到 0.27——程序是能一轮轮长起来的。但另一组实验提醒别高兴太早：Reasoning Gym 上，单步 RL 的 proposer 五轮收益里大头在第一轮就拿到了，后面的修订边际变薄；QA 场景则反过来，第一次修订只贡献三分之一到三分之二的收益，说明程序在长上下文任务里还有更多可长的空间。什么时候长得动、什么时候长不动，两种设置给出了两份不一样的答案。
两条路，一个分工
翁家翌 2026 年写过一篇博文，Learning Beyond Gradients，提出 heuristic learning：让 AI 把积累的经验直接写进可编辑的状态——程序、启发式、备忘录，改的就是外部世界里的东西，权重照样不动。
和这篇论文放在一起，正好是一组对照。一条路把经验写进程序：每次都是模型当场想、当场改，经验落在程序里。另一条路把修改策略训进模型：先花大力气练出「会改程序」的直觉，测试时模型不再学新东西，只出手。前者的每个改动都要现场推理，后者把推理压缩成了反应。至于哪条划算——这篇论文的答案偏向后者：改坏率 1.3% 这个数字，现场推理很难稳定做到。
它站在自主度的哪一级
上海交大 9 月发的 RSI 综述《The Last AI Built by Humans》把递归自我改进分成五级：L1 执行自主，L2 策略自主，L3 经验自主，L4 部署与环境适应，L5 元改进——改进「改进流程本身」。综述里 L2 的定义是：系统自主决定怎么改进，但改进的目标、评测标准、接受规则仍由外部给定。Harness Learning 卡位就在这一级：改哪里、怎么改，proposer 说了算；而一条修订能不能留下来，规则是死的——只有当开发集分数提升时才保留。
这条保留规则值得多看一眼。它是整个循环里最不 AI 的部分，却可能是最要紧的部分：程序可以一轮轮生长，但每一轮的「验收」握在人定的规则里。L3 往上的路——让系统自己积累经验、自己适应环境——这篇论文还没碰，任务族仍然局限在推理和多跳问答。程序在生长，栅栏也还在。当下这一步的真实图景是：改的权力下放了，验收的权力没有。