当 AI 开始为 AI 造“认知外骨骼”：不训模型，也能让小 AI 能力翻倍？AI4AI 正从这里开始

2026 年，AI 领域正在发生一个很容易被普通用户忽略、却可能相当深刻的变化。过去几年，行业讨论 AI 能力时，最常见的问题一直是： 模型有多大？推理有多强？下一代模型又提升了多少？ 但到了今年，越来越多注意力开始从 “模型本身” 移向模型周围的整个系统。2 月，OpenAI 就开始以 Harness En gi neering 为题讨论如何通过环境、规则、验证机制和工程约束让 Agent 更可靠； 7 月，OpenAI 更是直接披露 Codex 每周用户已经超过 500 万，其中超过 100 万人的使用场景已经走出传统编程。Harness 这个「模型外部运行框架」也越来越频繁地进入企业 AI 的讨论中。 这一变化背后其实藏着一个比 “哪个模型更强” 更本质的问题： 一个 AI 系统的能力，究竟有多少存在于模型的大脑里，又有多少存在于组织这个大脑工作的方式里？ 我们可以做一个很简单的类比。如果语言模型是一名员工，那么过去提升 AI 的主流路线，是不断把这名员工送去培训：给它更多数据、更好的反馈、更昂贵的训练，最后真正改变它 “大脑里的参数”。这就是包括知识蒸馏、后训练在内的许多传统能力迁移方法。但另一条路线是： 完全不改变这个员工本身，而是给它设计一套更好的工作制度。 复杂任务先自动分类； 容易算错的部分交给计算器； 需要长期记忆的信息写进表格； 固定规则直接写成程序； 最后再设置检查清单，防止答案格式出错。 在这个过程中，员工的大脑一点没有变，但整个系统却突然变得可靠得多。从这个角度出发，来自 Salesforce AI 和 UIUC 的研究人员在最新的研究中，探索了这个问题的更激的进版本： 能不能让一个更强的 AI，自动为一个更弱的 AI 设计这套 “认知外骨骼”，从而在完全不训练弱模型的情况下，把自己的部分能力迁移过去？ 论文把这个问题称为 Strong-to-Weak Scaffolding。这一概念，也正是 「AI4AI」 最本质的样貌和雏形。 论文标题：AI4AI at Test-Time: Strong-to-Weak Capability Transfer via Harnesses 论文链接： https://arxiv.org/pdf/2608.12307 实验给出的答案相当惊人：在主实验中，一个原本平均准确率只有 0.488 的 GPT-5.4-mini，在强模型自动设计的 Harness 加持下，最佳结果达到 0.912 ，已经接近翻倍；57 次针对 GPT-5.4-mini 的自动构建实验全部超过原始模型，而最佳方案甚至远远超过了不加 Harness、直接裸跑的众多更强模型。 但这篇工作的意义并不只在于让模型表现翻倍。真正有意思的是： 研究人员进一步拆开了这将近 100% 的提升，试图去回答究竟是什么被 “迁移” 了。 这其中隐藏的秘密，可能比单纯的分数更加值得我们挖掘。 一、不重训小模型， 而是让强模型 给 它设计工作方式 文章中整个实验的设置其实非常像现实中的 “师傅带徒弟”。 研究人员首先准备一个较弱的 Target AI「目标模型」 ，它是真正负责回答问题的 “执行者”。然后再给一个更强的 Builder AI「构建模型」 一个开放的编程环境。Builder 不负责最终考试，而是负责观察 Target 到底为什么会犯错，并围绕它设计 Harness。 所谓 Harness，其实可以理解成包在模型外面的一整套工作机制： 可以判断问题属于什么类型； 可以针对不同问题选择不同 Prompt； 可以写 Python 程序处理部分推理； 可以建立显式的状态和规则； 可以做答案检查和格式修正； 甚至可以发现某些任务根本没必要让模型自己 “想”，直接写一个可靠算法就能解决。 在这其中最关键的一点是， Builder 始终不能看到最终测试题。研究人员只随机开放每个 Benchmark 的 5% 数据 作为 Validation Set。Builder 可以在这少量样本上不断测试 Target、分析错误、修改代码和 Harness；等到 Builder 认为系统设计完成之后，整个 Harness 会被冻结，然后直接拿去跑此前完全没有见过的 Hidden Test Set。 所以，对于 Builder AI，它所构建的 Harness 不能只是简单的让 Target AI “背答案”。它真正需要做的，是从少量案例中发现： 这个任务到底有什么结构？这个小模型到底弱在哪里？哪些思考应该继续交给它，哪些思考应该被搬到系统外面？ 图 1：AI4AI 的整套设计流程：Builder AI 并不直接解决问题，而是给 Target AI 搭建脚手架以减轻其认知负担，从 Harness 角度实现最基本的 AI4AI 能力迁移。 二、用心智理论度量 AI 的认知负担分配 文章选择了四个 Theory-of-Mind「心智理论」Benchmark： BigToM、Hi-ToM、MMToM-QA 和 MuMA-ToM。 可以把 Theory of Mind 简单理解成： 理解别人 “知道什么、相信什么、想要什么” 的能力。 举个例子：小明把钥匙放进抽屉，然后离开房间；小红趁他不在，把钥匙移到了柜子里。问题不是 “钥匙实际上在哪里”，而是： 小 明回来以后，会去哪里找？ 人类必须同时区分 “真实世界” 和 “小明脑中的世界”。而更困难的问题甚至会继续套娃： 小红认为，小明以为，小红知不知道钥匙的位置？ 这类任务既包含可以形式化的状态追踪，也包含递归信念、隐含意图、对话理解甚至 Bayesian Goal Inference，因此很适合观察： AI 到底能把多少思考外包给程序，又有多少真正需要语言模型自己完成。 论文随后让不同强度的 Builder，在 Cursor、Claude Code、GPT Codex 等 Agentic Coding Environment 中自由设计 Harness，并进行了 72 次实验构建 ，从效果、稳定性、验证预算、Harness 技巧、平台差异、Target 差异、Builder 推理强度、认知负担以及残余错误等多个角度进行了拆解分析。 表 1：以 GPT-5.4-mini 为 Target AI 的实验结果摘要及对比 图 2：全量主实验结果 三、给小模型换工作方式比直接上强模型还有效 我们先来看最简单的一组数字： GPT-5.4-mini 什么都不加，直接回答四个任务，平均准确率是 0.488 所有自动构建 Harness 的实验平均表现为 0.763 （最佳一次 0.912 ），相对原模型提升约 86.7% 作为对比，更强的 GPT-5.4 在没有 Harness 时只有 0.619 。 也就是说，在这些任务上，一个被好好 “组织起来” 的较弱模型，可以明显超过一个裸跑的更强模型。更重要的是，这并不是碰巧撞中了一个特别好的 Run。针对 GPT-5.4-mini 的 57 次 Scaffold Run 全部都能超过原始 Baseline ，11 种 Builder Configuration 平均也全部产生正向提升。 当然，这并不意味着 Harness 已经