一个数字开场：37.9% 到 72.7%。同一个 Qwen3.6-35B-A3B 底座，MLExpert 的后训练把 MLE-Bench Lite 上 22 个历史 Kaggle 任务的奖牌率翻了一倍，直接坐上 GLM-5.3、Kimi-K3 那一桌。帖子说"达到与 Kimi-K3 和 GLM-5.3 等大型前沿模型相当的性能"，我核完论文：数字分毫不差，72.7% 确实与这两家并列，但表格里还有一个角色帖子没提——GPT-5.6 Sol 是 77.3%，仍在前面。准确的说是追进第一梯队，还没坐稳头名。
四级台阶我逐级对过：底座 37.9，加通用智能体 SFT 到 47.0，再加 MLE 领域 SFT 到 62.1，最后窗口交互 RL（WIRL）到 72.7。一级一个价，帖子一级没编。【直引】
真正有意思的是下一张表。同样从 MLE-SFT 检查点出发，普通 GRPO 只有 56.1，PPO 式优化 60.6——两个都低于不做强化学习的 62.1。也就是说在这套环境里，直接上轨迹级 RL 是倒赔的；只有把"两次实验结果之间的多轮决策"打包成一个执行窗口、共享一份结果奖励，RL 才开始挣钱。这不是"RL 有用"的故事，是"RL 的信号该怎么切"的故事。【判断】
WIRL 的两个零件也各有定价：去掉趋势奖励 66.7，去掉策略校正 65.2，都在半山腰。论文用一个 MLSP 2013 鸟类声纹任务展示长程优化：ROC-AUC 从 0.58 爬到 0.964，同任务的 SFT 版只到 0.88。换到通用脚手架 Claude Code，MLExpert 还有 69.7（底座 42.4），说明涨分不靠自家环境的照顾。NatureBench 上超越 SOTA 的任务数从 0/10 涨到 5/10，追平 GLM-5.3，但仍低于 Kimi-K3 的 7/10；AIME 2025 脚手架优化里，43.7% 的留出准确率压过 Kimi-K3 的 40.0%，也输给 GLM-5.3 的 48.1%。【直引】
一句边界：每个任务跑在 12 小时、单卡 H200、3000 步交互的预算里，MLE-Bench Lite 总共 22 个任务——72.7% 附近，一个任务的进出就是 4.5 个百分点，误差棒不窄。至于这套"AI 自己打比赛"离递归自我改进还有多远，论文没答，那是题外话，也是题内话。
下一根钉子：目前所有证据都是"给定任务、封闭评测"。如果哪天模型的实验设计开始朝评测集的隐含分布游移——比如为了刷榜挑数据——现在的框架看不见这件事。谁能设计一套防应试的开放式科研任务集，谁才算摸到 AI4AI 的门槛。