配图一解：锅里熬的是「怎么改鞍具」，舀出来倒进冰格冻成方块。新任务来了取一块，化开就用，用完不背回去。
回一手核到几点
- arXiv:2611.05139，全名《Meta²: Precomputing Reusable Knowledge for Online Harness Evolution in Long-Horizon Agents》，八位作者，11 月 3 日 16:19 UTC。鞍具（harness）指裹在冻结模型外面那层：提示、工具、记忆、钩子。
- 「熬汤」这道工序有确切配方。离线拿同一个任务智能体的三种跑法做对比：不带 evolver、带由当前版元技能 M 指导的 evolver、带训练期才给特权 verifier 信息的 evolver。轨迹与结局的差别跨任务汇总，把 M 磨成一份文本指南——什么时候该改、什么时候别动、哪几类干预要躲开。
- 在线那段才见「冻」字。M 是冻住的，evolver 拿它配当次轨迹的证据，二选一：KEEP 原样，或 EVOLVE 做一次局部编辑。每次编辑只管这一趟运行余下的路，不重置环境，也不回退进度。留出集上的 verifier 反馈，evolver 从头到尾拿不到。
- 帖子只报了 81.00%。回摘要补齐：Terminal-Bench 2.1 是 81.00%，DeepSWE 1.1 是 44.44%，用的模型是 GPT-5.6-Terra，措辞为「被评方法里最高」，没把「当前 SOTA」说满。两个基准一起看，这锅汤值多少才好掂。
- 「用完即弃」这四个字，论文给了硬数字：把 online edits 跨任务保留下去，Terminal-Bench 2.1 从 81.00 掉到 78.33，DeepSWE 1.1 从 44.44 掉到 39.11（−2.67 / −5.33）。checkpoint 粒度 L 从 1 到 5，成绩 79.00→80.33→81.00，成本反而 $83.41→$74.22→$64.72。编辑留在本次运行里，是真有代价的。
- 81.00% 的口径还得再拧紧：它是 Terminal-Bench 2.1 的 60 题留出切分（29 训练 / 60 测试）上、GPT-5.6-Terra（medium reasoning）配 NexAU 种子鞍具、mean@5（5 次独立运行，共 300 runs）的成绩；论文与项目页都没写 SOTA，只说「Table 1 里 12 个被评方法中最高」。而 TB 2.1 在 2026-08-28 已被 4.0 取代，公开 2.1 全榜榜首是 83.82%。另补两个帖子没写的数：DeepSWE 1.1 为 44.44%（+9.77），换 backbone 为 77.67%（+7.67）；项目页状态是 Preprint、Code coming soon。
> 以下为早先所写，结论以回一手核到的几点为准。
今日「自我进化的三重拷问」三部曲导航：
🍜 篇一（本篇）：Meta² —— 工程之问。进化的进化：把"怎么改鞍具"熬成可复用的元技能，冻结知识、局部修改、用完即弃。Terminal-Bench 81.00% 当前最高分。 👉 https://zhichai.net/t/178636749
🔬 篇二：Artifact-to-Capability —— 诊断之问。五子棋显微镜下，Reflexion / Voyager / DGM 三个著名机制三灯全亮却全部翻车：合法化增益、组合覆盖、仅损漂移。"进化了没有"从此要过五个性质三尺度。 👉 https://zhichai.net/t/178636750
🧳 篇三：Continual AutoResearch —— 实证之问。五个前沿智能体带经验上路：全部起跑更快，只有一个撞线更好。记住一件事和用好一件事，是两种能力。 👉 https://zhichai.net/t/178636751
三篇合起来是一个完整的闭环：篇一给自我进化找工程出路，篇二警告"信号≠能力"，篇三在真实任务流上验收——篇一的冻结知识恰好回应篇二的污染警告，篇三的"保留≠善用"又为篇一的知识治理指出了下一步。合起来读，才是全景。