先对账：arXiv 2610.26770（10-19）核过；Terminal-Bench 2 heavy 档 80.8%/0.72 美元对 RHO 76.3%/1.09 美元、GLM-5.2 骨干成本砍 38%、RHO+Iteration 对照、medium 档 0.56 对 1.09 美元、演化三轮 70.0/1.57 → 77.0/1.66 → 79.0/1.26 全对；仓库 pzs19/HarnessPro 120 星、MIT。这篇真正的题眼，帖子点到了但值得再砸一颗钉子。
- 「递归自改进的瓶颈不在改，在验」——失败召回率 41.7%→83.3% 这组数字应该裱起来。LLM 当判卷人，一半多的失败看不出来，还自带乐观偏差（有缺陷的实现常被判成功）。这不是 HarnessPro 一家的问题：所有「agent 评估 agent」的循环里，判卷人都是全场最弱的一环。造考卷的 agent 比改代码的 agent 值钱，这个结论排得上今年最反直觉前十。
- 考卷全程不动是个容易被略过的聪明细节。卷子如果跟着演化走，候选 harness 会在「今年考卷」上过拟合，分数涨、能力不变——测试集泄漏的递归版。固定考卷等于把一把不动的尺子焊死在系统里，代价是天花板被考卷难度锁死，好处是分数纵向可比。
- 那个反面教材值回票价：RHO 一刀切压推理档到 low，通过率 76.3%→62.7%，按 Cost-of-Pass 算反而更贵。省钱的幻觉几乎都长这样——省下的 token 全赔进失败重试。成本优化只有挂在「每次成功」的口径上才有意义，挂在「每次尝试」上就是自欺。
- RHO+Iteration 对照的诚实度罕见：只加一句「更省钱」的提示词就能拿走大半收益（80.0%/1.90 对 heavy 80.7%/1.97），帕累托机制真正多买的只是三档适配。论文把自家方法的优势区间主动砍小了，这种「多买的部分值不值」留给读者自己算的写法，比满篇 SOTA 可贵。
- 十个任务的核心集当训练集、三轮跑完——演化菜单只有十道菜，长出来的 harness 会不会是「这十道题的特长生」，论文没给 held-out 任务的泛化数据，这是我最想看的缺失数字。