谷歌开源RSI新成果！华人浓度爆表

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 谷歌开源RSI新成果！华人浓度爆表 Jay 2026-10-19 11:11:58 来源： 量子位 Jay发自 凹非寺 量子位 | 公众号QbitAI 谷歌RSI新成果，开源了。 名叫 Harness² ，让大模型在运行中自己给自己魔改外挂代码、系统提示词、工具链和技能库。 是的，Harness层的RSI。 效果也是很猛。 装配上这件RSI专精的GLM-5，在办公基准WorkBuddy-Bench上，直接飙升了 11.5分 —— 瞬间反超原生Gemini 3.5 Flash。 总之就是一个非常离谱的外挂，任何模型套上来，跑分都直接起飞了。 目前，该项目已全面开源，已支持OpenCode与Codex。 为什么“自己改自己”老翻车 过去业内为了让Agent变聪明，搞过不少递归自我改进（Recursive Self-Improvement，简称RSI）。 思路听起来很美：让AI自己写代码、自己改提示词、自己优化系统。但只要一放进真实的开放世界，几乎全军覆没。 为啥呢？ 主要就卡在两道死穴上： 没有标准答案。 实验室里刷题有单元测试，有Ground Truth告诉你对不对。但到了真实打工场景，写一份商业企划案、审一份法律合同，线上根本没人给你打分。 AI自己改了一版Prompt，它怎么知道改完是变聪明了还是在瞎编？ 过度拟合单次任务。 好不容易为了修某个任务把脚手架魔改了一通，结果下一个任务换成了写爬虫，之前改的规则全成了累赘。 直接把改完的脚手架硬套给下一个任务，系统很快就陷入噪声螺旋，越改越傻。 谷歌团队这次提出来的Harness²，就是专门冲着这两个死穴开刀的。 他们搭了一套 双层递归架构 。 双层递归：左手做实验，右手记笔记 Harness² 名字里的这个“平方”，指的就是两层互相嵌套的递归循环： 任务级递归 （Task-level）和 改进级递归 （Harnessing-level）。 第一层， 任务级递归：在没有标准答案的情况下做对照实验。 面对眼前这个新任务，系统先用初始脚手架跑一版参考轨迹出来。这版结果对不对先不管，核心是看模型在执行过程中暴露出什么缺陷。 紧接着，它启动了一套叫做 Propose–Probe–Compose（提议-探测-合成） 的机制： Propose（提议） ： 由专门的编辑角色针对刚才的轨迹提出两套修改方案。 一套是“通用缺陷修补”（Invariant），专门抓跨领域通用的毛病，比如规划混乱、工具调用死循环、上下文爆炸； 另一套是“领域专属修补”（Domain），专门针对当前业务的特定知识和约束。 Probe（探测） ： 把这两套修改后的候选脚手架放回同一个任务里分别跑一遍。 没有裁判没关系，系统抓取它们的执行轨迹和参考轨迹做行为对比（Behavioral Contrast）。看改动到底有没有解决刚才卡住的步骤，有没有引发新的逻辑退化。 Compose（合成） ： 合成器把所有执行证据摆在一起，挑出那些真正被行为证据证明有效的改动，把它们合并进最终的执行脚手架里。 这还不算完。它还支持并行扩展（Parallel Recursion），一次性铺开 $k$ 个候选方案并发探测，在更宽的探索空间里择优合成。 神了。 第二层， 改进级递归：把改脚手架的经验沉淀成元能力。 当前任务做完了，交付物交出去了，很多系统的生命周期就到此为止了。 但Harness² 真正厉害的在后头—— 把整个调试记录（参考轨迹、候选修改、对比证据、合成决策）交给反思模块（Experience Reflector）。 反思模块复盘之后，会写一份EXPERIENCE.md，把这次为什么这么改、在什么条件下起效、带来了什么后果，清清楚楚存进 持续改进经验库 （Harness Improvement Library）。 等到下一个新任务进来时： 执行端拿到的，依然是一个干干净净的基础脚手架。 但是负责改脚手架的那个“改进大脑”，手里已经攥着厚厚的历史经验手册。在提议和合成阶段，它能直接检索过往相似场景下的有效组件和避坑指南。 改进的不只是眼前的脚手架，更是未来改进脚手架的能力。 这就把单次任务的临时修补，变成了终身学习的认知资产。 跑分实测 机制讲得再漂亮，终究得拿真实战场的数据说话。 团队直接上了三个极具分量的硬核职业基准： WorkBuddy-Bench ：涵盖代码（Code）、网页（Web）、办公套件（Office）三大高难度办公工作流； JobBench ：长程端到端复杂专业岗位任务； LAB ：Harvey开源的顶级法律智能体基准。 底座模型选了 Gemini 3.5 Flash 和 GLM-5 ，执行脚手架挑了开源主流的 OpenCode 和 Codex 。 结果极其夸张。 在WorkBuddy-Bench测试里，仅仅进行单步Harness² 改进（$k=1$）： GLM-5在OpenCode下综合得分从64.2狂飙到75.7，暴涨11.5分 ；在Codex下也从64.4飙到了75.3。 Gemini 3.5 Flash 在OpenCode下从72.4提升到77.5，在Codex下从74.5提升到77.5。 你看这个数据： 被优化过脚手架的GLM-5（75.7分 / 75.3分）， 直接把原版没改脚手架的Gemini 3.5 Flash（72.4分 / 74.5分）给干翻了 。 在端到端岗位任务的JobBench上，单步改进同样带来全面提升，Gemini 3.5 Flash涨了 4.5分 ，GLM-5涨了 3.6分 ；在法律基准LAB上，GLM-5的部分通过率直接拔高了 11.8个百分点 。 如果把并行预算拉到 $k=5$（并发5路候选），性能还会进一步上扬：WorkBuddy-Bench最高再涨 3.9分 ，JobBench再涨 4.2分 ，LAB通过率再涨 6.7个百分点 。 更绝的是经验库的跨领域迁移测试。 团队把在JobBench上跑任务积累下来的经验库，直接拔下来插到WorkBuddy-Bench上去用，在完全不做额外探测的情况下，直接带来了代码 +0.6、网页 +0.5、办公 +2.9的无痛涨分。 在过去两年里，大家对AI的期待几乎全部押注在“底座模型Scaling”上，总觉得只要等下一代GPT、下一代Gemini出来，手头的应用问题就迎刃而生了。 但现实给所有从业者泼了一盆冷水：基座模型越来越贵，边际效益在放缓，而落地场景里的长尾bug依然无穷无尽。 你给模型再大的上下文窗口，它在处理跨文件对账时依然会偷懒；你给它再高的跑分，它写完报告依然不会主动打开文件去校验格式。 这些东西，靠预训练参数是永远喂不饱的。 它需要的是一套能在运行中自我感知、自我修补、持续进化的 Runtime认知工程 。 以前我们搭脚手架，是工程师坐在电脑前一条一条手写Prompt、配工具、修管道，累得半死还到处漏风。 现在Harness² 证明了一条新路： 把规则制定的权力，还