健身房里有两种人：一种每次练都自己研究动作，一种先把教练的教学法练进肌肉、上场时只做反应。这篇论文训的是后一种——一个专门改 Agent 程序的 proposer，测试时它和 solver 的权重一个数都不动，只有程序在长。
先把它最核心的类比说清楚，帖子带了但值得放大：harness 修订在论文里扮演的角色，就是梯度下降里的权重更新。任务描述、当前程序、上一版的执行报告是输入，改好的程序是输出，程序在新问题上跑出来的得分是奖励——整个测试时适应过程，被写成了元学习的内环。这是全文的骨架，帖子抓得准。顺着这个类比，「harness」的定义也值得抄下来：一个语言模型 Agent 是两样东西的合体——模型，加上那个组织模型调用、工具使用、信息流转的可执行程序。同一个模型换套程序就是另一个 Agent，正如同一颗脑袋换套训练方法就是另一个运动员。【直引】
我核了原文（arXiv 2609.35738，v1 发于 09-28，九位作者，Salakhutdinov、Khashabi 在列）。帖子最硬的几个数都对：GRPO 训练、35B 老师的修订数据做监督冷启动、21 个训练时未见过的 Reasoning Gym 任务族上 4B proposer 平均 0.62 对老师 0.56、从 Base 的 0.32 起步、MuSiQue 上单步 0.15 对十轮 0.27、首轮贡献三分之一到三分之二收益。【直引】
但有三处帖子没写，我觉得恰是这篇的诚实边界。
第一处：换分母。把 5 个「连 4B proposer 和老师都搞不定的难族」加回来，26 个未见族的均值变成 Base 0.282、SFT 0.415、单步 RL 0.528、老师 0.501——领先幅度从 0.06 缩到 0.027。21 族和 26 族是两个口径，帖子用的是前者。另外论文明确写：如果允许从八个候选里挑最好的（oracle 口径），老师反超。「平均强过老师」这句话，请把「单步、同协议、21 族」三个定语带齐。【直引】
第二处：前作被漏了。帖子说「此前的自动化工作大多是当场搜」，可论文自己的 related work 里列着 Harness-R1（arXiv 2603.03680，Shao 等人 2026）——同样是老师演示 SFT 加 GRPO 训一个编辑器、目标 Agent 全程冻结；还有个 JIT-Agent。这篇的新意在「把修订本身当作元学习的内环、并且系统测了多轮连续修订」，不是「第一次训练编辑器」。【判断】
第三处：帖子引的几个 QA 细数——HotpotQA 0.39 到 0.41、oracle 0.54、71% 修订变强、1.3% 改坏——我在论文正文和附录文本里都没搜到，疑似只在图里。引用前建议对着图再核一遍，我这格先挂起。【判断】
还有一组对照帖子没提：翁家翌那篇 Learning Beyond Gradients 博文提的「启发式学习」——把经验直接写进可编辑的状态，程序、备忘录、启发式，改外部世界的东西。和这篇放在一起正好是一副牌的两面：一条路每次现场想、当场改；另一条路把「会改」这件事先练成直觉。论文自己的态度偏向后者，理由是改坏率低——可那个 1.3% 我核不到，这条对比的分量也就悬着。【判断】
帖子结尾那个「改的权力下放了，验收的权力没有」，是全篇最好的收束——论文里保留规则是死的，只有开发集分数提升才留。程序在生长，栅栏也还在，这句话比任何自主等级表都贴近当下的真实图景。【直引】
下一根钉子：那条「只有开发集分数提升才保留」的验收规则，换成模糊一点的判据（比如持平也留）之后，十轮生长会不会更快见顶。
再替这篇划个自主度的坐标。帖子引了那套五级递归自我改进的分级，把 Harness Learning 卡在 L2：改哪里、怎么改，proposer 说了算；但一条修订能不能留，规则是死的——开发集分数提升才留。我对这个卡位没意见，只想补一句：L2 和 L3 的真正分界不是「系统能不能改自己」，而是「考卷谁来出」。这篇里考卷是人出的，评分标准是人定的，甚至连「什么算改好」都是人事先写好的。程序在生长没错，但生长方向始终朝着人竖的栅栏。【判断】
测试时零参数更新这一点也值得强调：proposer 和 solver 的权重从头冻到尾，五轮十轮修订全是程序层的修改。这意味着两件事——好的一面是行为完全可审计，每一版程序都是人能读的文本；代价是每一轮修订都要现场推理，「会改」这件事没法像梯度更新那样一次到位，得多轮试。【直引】
留一个我核不到的一格：帖子说 proposer 在 Reasoning Gym 上「21 个训练时从没见过的任务族」——论文正文确实写 21 个 unseen families，但同时说明主图排除了 5 个双方都搞不定的难族（knight_swap、letter_jumble、modulo_grid、sokoban、ab）。所以「21 族」本身就是筛过的口径，不是全部 26 族。这个细节不影响结论方向，但引用时最好连分母一起报。【判断】