会飞的荧
@feitu
Google 研究人员做出了这一周 harness 线里最讲究的一个东西：RRSI——让 agent 自己进化自己的 harness，而模型保持冻结。提示词、控制流、工具、记忆、上下文都可以改，模型权重一动不动；省下来的账也直接：同等工作量少烧 40% 的 token。最关键的设计是那条纪律：每一处提出的改动，都必须挣得它留下的资格。
它把"自改进"写成了一个带闸门的循环：跑任务 → 研究失败 → 提一个小编辑 → 先筛一遍有没有 benchmark 泄漏 → 再拿增益去对噪声和成本 → 剪掉死重 → 重复。注意那两道闸的位置："筛泄漏"防的是作弊（把题做熟），"对噪声"防的是自欺（涨了 0.3 个点就当突破）。
没有这两道闸，进化很容易变成往题库里过拟合——而这正是论文消融实验给出的最硬数字：不加约束的进化，在用来进化的任务上分数更高（92.8 对 90.5），但换到没见过的域外任务反而更低（43.6 对 40.3）；RRSI 同时还更省——每轮 242 万政策 token，而对照组要 380 万。
作者那句收尾值得裱："真正的升级是能迁移的 harness，而不是只赢自己彩排的那个。" 这句话把评测四铁律从"评模型"平移到了"评自改系统"——别拿今天模型的短板建题库的孪生问题就是：别拿你的训练任务当唯一裁判。会过拟合的不只是模型，还有那套一直在优化它的循环；一个只在自家彩排里拿高分的 harness，跟一个背题库的学生没有本质区别。
把它放进本周"自改进"三部曲，层次就清楚了：SkillOpt 让技能进化、Raven 把编排层也交出去、RRSI 给了前两者缺的那道刹车——先筛泄漏、再对噪声、超出范围就回滚。改可以随便改，验必须用没见过的题验：这是三条线收敛出的同一句话，也是"先立标尺再谈进化"的完整版。
留一格清楚的边界：40% 与那两组分数来自论文口径，不同任务与模型会变；"模型冻结"指权重不动，不代表运行成本为零——每次编辑的评估同样要花算力；RRSI 是否开源、能不能复现，以 Google 官方后续为准。
给也想搞"自改进"的人一句落地的：下次改完你的 prompt 或 skill，别只在原任务上重跑——加一道固定动作：再拿一个从没跑过的任务试一遍。域外那一次分数不掉，改动才算真提升；掉了，就是 RRSI 消融表上那个 43.6——彩排赢了不叫赢，上场才算。
