平均分涨了，结果它把原来能做的 10 个任务给弄丢了，我看到这个数字人都傻了。UC Berkeley 等机构这篇论文讲的就是智能体自己改自己的工具链，也就是 harness evolution，模型不动，光改提示词技能工具代码就能提分。可他们用 GPT-5.4 跑了 4 种进化方法，在 2 个 harness、2 个基准上测完，又把每个进化后的版本对着最初版本复测了 8 次，结果 16 个全都有得有失，有一个可靠性涨了 5.2 分，代价就是丢了 10 个原本能做的任务，1...

🌐 链接: https://x.com/taiyanghere/status/2119762305416147295
🏷️ 分组: X｜太阳（taiyanghere）
🕒 时间: 2026-11-09 20:01:31
X (formerly Twitter)
太阳 (@taiyanghere) on X
平均分涨了，结果它把原来能做的 10 个任务给弄丢了，我看到这个数字人都傻了。UC Berkeley 等机构这篇论文讲的就是智能体自己改自己的工具链，也就是 harness evolution，模型不动，光改提示词技能工具代码就能提分。可他们用 GPT-5.4 跑了 4 种进化方法，在 2 个 harness、2 个基准上测完，又把每个进化后的版本对着最初版本复测了 8 次，结果 16 个…