谷歌开源RSI新成果！华人浓度爆表
Jay发自 凹非寺 量子位 | 公众号QbitAI
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。
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 ——
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。
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。
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。
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）。
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：
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；
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。
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。
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）。
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。
跑分实测
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；
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 。
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。
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 。
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。
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。
论文作者
Yanfei Chen ，Google Cloud AI Research资深研究工程师。
本科毕业于北京大学，主修电气工程与经济学，2018年获得美国匹兹堡大学工业工程博士学位。
此后曾在机器学习公司Qeexo担任研究工程师，2020年加入Google，参与过Vertex AI Search、Gemini Enterprise Deep Research等项目，主要研究大语言模型智能体、检索增强生成及工具学习。
Zhongying CuiZhu ，也叫Zoey CuiZhu，Google Cloud AI Research研究工程师。
2019年获得斯坦福大学电气工程博士学位，主要研究通用智能体、可验证智能体及智能体质量评估。
参考链接： [1] https://arxiv.org/html/2610.14224v1
有预言家！A社研究蓝图曝光，Claude Code来自5年前 2026-10-15
阶跃终端首款「Agent手机」STEPX Neo正式发布，创客先行 2026-10-14
Claude团队又搞事：实测AI全自主复制进智能家电 2026-10-13
0.2秒急停、秒级重规划！因果智能走进真实世界 2026-10-09
相关阅读
谷歌加紧测试ChatGPT竞品，靠对话可搜最新信息
GitHub上最励志的计算机自学教程：8个月，从中年Web前端到亚马逊百万年薪软件工程师 | 中文版
AI教父Hinton争夺秘史：百度2.88亿天价求才，却因“中国身份”惜败谷歌
苹果画的饼谷歌率先搞定！Gemini全面进驻全家桶，连鼠标都AI上了
谷歌AI试穿神器真神了！上传照片秒出OOTD，视频效果和照镜子没区别
ChatGPT吸走谷歌人才，谷歌云CEO：AI新游戏刚开场，莫慌
热门文章
智谱新模型，490 tokens/s！
DeepSeek服务器全球宕机！神秘Harness账号同时现身
iPhone断网跑35B多模态！国产开源新模型，只占3G内存
库克：苹果智能接入阿里千问大模型，10月底在中国发布测试版本
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1