字节Seed连发3篇自进化Agent论文：目标、经验与系统进化

字节Seed团队连放三篇论文。它们并非三个孤立工作，而是围绕 Closed-Loop RSI（Recursive Self-Improvement）的一套组合拳。

把 RSI/Self-evolving Agents 这个口号拆成三个可测量的问题，逐一给出答案。

• Aspire：只给一句模糊目标，模型能自我进化吗？
• S3Gym：自测试、自评判，能转化成自我改进吗？
• HarnessDev：模型能给自己造、并进化 Agent harness 吗？

三篇论文，共用项目页 self-developing-agents.github.io 。

一、Aspire：模糊目标下，练得出来，留不住

问题：现有自进化工作都先把"提升数学推理"操作化成"在 AIME 上提分"，Agent 只需搜索"怎么改进"。

Figure 1：显式任务下人类定义 WHAT、Agent 搜索 HOW（a）；模糊目标下 Agent 要先决定优化什么（b），且评测题始终密封

Aspire 抽掉这层人工结构，只给一句自然语言能力目标，评测集（专家新编 520 题、六个目标）完全保密，Agent 必须自己完成目标操作化：诊断缺口、造数据、定训练方案、决定何时评测。

Figure 2：隐藏评测集的构造与信息边界

环境上 Agent 不碰 shell，通过统一工具接口完成"数据 → SFT/GRPO 训练 → 自查 → 分支/回滚"，分 final-only（全程无中间分数）和 adaptive-feedback（可查少量聚合分数）两种协议。

Figure 3：最小交互环境与两种结果协议

Aspire 理论小结：选择改进目标

RQ1（模糊目标 vs 显式任务）：把 PostTrainBench 的显式任务换成宽泛目标后，Opus 4.8 总分 27.07（官方参考 32.90），GPT-5.6 为 29.58（参考 36.23）。轨迹显示差距主要来自"解读目标"本身：多花 2,109 秒思考、活跃训练时间反而更少；每次训练启动只配 0.57 次评测（官方 2.63 次），反馈密度差 4.6 倍。

Aspire Figure 4：模糊目标 prompting 下的总分（a）与轨迹对比（b）（c）

RQ2（权重进化）：40 GPU 小时预算，让 Agent 自己决定数据、算法（SFT/GRPO、LoRA）和评测时机。结果近乎残酷：final-only 下 24 个 run 全部跑通闭环，但按双运行均值只有 1/12 个模型—目标对超过基线（9B 科学推理 +2.67）；单 run 层面 3/24，其余全被安全回滚打回。adaptive-feedback 下 30 个格子里也只有 1 个增益保留（Terra 把 4B 数学从 17.86 拉到 20.10）。

Aspire Figure 5：final-only 协议下各模型—目标对的两次运行均值（回滚前）。唯一越过基线的是 9B 科学推理

Table 5：final-only 最终 checkpoint 结果（回滚前）。12 个模型—目标对里只有 1 个均值为正。

Table 5：final-only 最终 checkpoint 结果（回滚前）。12 个模型—目标对里只有 1 个均值为正

三个典型失败模式：表观进步可能只是从退化中恢复，搜得多 ≠ 搜得好，还有答案格式崩塌。

Aspire 一句话：模糊目标把搜索努力重新引向"解读目标"，训练闭环执行得很熟练，但保留增益依然稀有——closing the training loop ≠ closing the capability loop。

二、S3Gym：认得出好动作，不等于能变成好策略

问题：现有基准只回答"评测这一刻模型多强"，不回答"模型能不能用自己的经验变强"。

S3Gym 把经验学习拆成三个耦合环节：Self-Testing（收集证据）、Self-Judging（给自己的动作打分）、Self-Improvement（经验改变未来行为）。

Figure 2：探索轨迹经评判后经三条路径之一被吸收

环境真值奖励在探索阶段对 Agent 不可见，Agent 只能靠自评分组织经验，benchmark 在暗处拿真值对照——由此可以分别测"自评判准不准"和"评判对了能不能变成改进"。

S3Gym 小结：从经验中学习

设置：七个文字游戏（Chess、Minesweeper、Snake、Tetris、PvZ、Nullify、Trust），宽松配置探索 → 评判固化 → 严格 held-out 配置评测，评了 7 个主流模型。指标除均值/最高分外，关键的是 AUC⁺：初始基线上方持续改进的正面积，用来区分"持续变强"和"孤立峰值"。

路径对比（结论很"看任务结构"）：总结记忆对长轨迹难直接用的模型是质变——Gemini-2.5-Flash 的 Minesweeper AUC⁺ 从 0 提到 7.79，PvZ 从 24.4 提到 238.5；但对 GPT-5.5 的 PvZ 是灾难（548.5 跌到 33.2）。没有一个模型全游戏占优：History ICL 下 Gemini-3.5-Flash 领跑 Chess/Snake/Trust，GPT-5.5 领跑 Minesweeper/Nullify/Tetris。底座能力强 ≠ 会用自己的经验。

S3Gym Table 4c：AUC⁺（基线上方持续改进正面积），粗体为游戏内最佳。跨游戏比较应看游戏内名次

参数训练：把轨迹和自评判转成 SFT 样本直接改 Qwen3-8B 参数。Trust 上交互经验确实能内化（19 个更新 checkpoint 里 18 个超基线）；但 PvZ 是最吓人的负迁移：初始 23 分，每一个更新后的 checkpoint 都只有 6 分——参数更新直接覆盖了原有有效行为。

S3Gym Figure 7：Qwen3-8B 20 个训练 checkpoint 的严格模式表现。PvZ 全线低于初始，Minesweeper/Nullify/Tetris 全程为零

自评判可靠吗（最扎心的部分）：用 98 个 run、11.6 万条转移对比自评分与环境真值——PvZ 二元一致率 0.881，但 NMAE 也高达 0.882：模型知道动作"看起来有用"，却严重估错其价值；Chess 和 Trust 上自评判接近失效。更关键的是，评判准不准与下一步涨分几乎零相关（run 级 r=-0.23）：局部打分对改进没有预测力。

S3Gym Table 5：自评判的步级可靠性。一致率高不等于估值得准

S3Gym Table 6：评判—改进耦合。事件一致率与下一步分数变化几乎无关

什么样的总结才有效：经验能压缩成紧凑规则的环境（Nullify、Tetris、Trust）总结占优；依赖局部精确细节的（Minesweeper、PvZ、Snake）原始历史占优。论文的正反例很传神——有效总结（GPT-5.5/Trust）："收益结构持续偏向背叛时就永远背叛"，ΔNABA +66.9；无效总结（GPT-4o/Snake）："朝食物移动，避开墙和身体"，方向全对但缺安全导航的几何精度，ΔNABA -22.0。合理而粗糙的建议，不如不给。

S3Gym Table 7：Summary Memory 与原始历史 ICL 的逐对比较。

S3Gym 一句话：认得出成功的动作，不等于能把反馈变成可执行、可迁移的策略。自我改进既不自动也不均匀，需要的是更好的评判校准、记忆筛选和轨迹过滤，而不是更多交互数据。

三、HarnessDev：能造 harness，但鲁棒进化还是难题

问题：同一 GPT-5 权重，在 Terminus 2 里解 Terminal-Bench 2.1 只有 35.2%，放进 Codex CLI 是 49.6%——harness（执行循环、工具协议、上下文管理、失败恢复这一圈模型之外的软件）对能力的影响可以超过模型换代。但主流评测只把 harness 当实验配置。

Figure 1：Creation 与 Evolution 两阶段，评测的都是跨任务持久存在的可运行基础设施

HarnessDev 把评测单位换成"可运行的基础设施"，测两个阶段：Creation（从削弱的弱种子 + 1–3 个开发样例造出完整 harness）和 Evolution（拿下游执行反馈持续迭代）。六位创作者：Opus 4.8、GPT-5.5、Gemini 3.1 Pro、DeepSeek V4、Qwen 3.7 Max、Seed 2.0 Pro，开发环境统一 Claude Code。

HarnessDev：创建并演化 Harness

RQ1（能造，但造得好不好强烈分领域）：Self-Eval 下 Opus 平均最高（67.8，人类工程参考 86.2），但分领域很不对称：MLE-bench 反超人类（32.9 vs 24.0）、写作追平（84.6 vs 83.7），差距最大在搜索（52.4 vs 92.2）和终端（64.8 vs 88.8）。而且排名依赖执行者：换统一执行者 Gemini 后 Opus 的 SWE-Pro 从 69.3 崩到 33.0——它给原执行器硬编码了 120 步上限；反过来 Qwen 的 harness 在 Gemini 下 BrowseComp +17.6、MLE +12.9。同一个 harness 换执行者结果可能反转：能跑 ≠ 能力跟着走。

Table 3：Self-Eval 下的 Creation 结果（avg@3）。* 为外部已验证结果

HarnessDev Figure 6：固定 Gemini 执行者下，同一 harness 的得分反转。

HarnessDev Figure 5：六类机制的证据密度。

RQ2（进化 harness：局部能改好，全局留不住）：从自己的 Code harness 出发，只用 100 题 SWE-Pro + 89 题 Terminal-Bench 的可见反馈迭代。9 条谱系在反馈集上都涨分，self-runtime 的在 held-out 上也都有 +1.43～+4.44 的净增益；但换固定 Gemini 执行者后情况就变了。

HarnessDev Table 6：反馈集增益与冻结后 held-out 泛化。

后三条谱系 held-out 直接转负（GPT-5.5 -10.32）。落差很说明问题：Qwen 反馈集 +13.9，held-out 只剩 +1.43——很大一部分"进化"是在适应反馈集本身。

HarnessDev Figure 8：可见反馈轨迹（实线）与 held-out 轨迹（虚线）叠加。可见反馈上的峰，经常对应 held-out 上的谷

HarnessDev 一句话：模型权重是智能积累的一个地方，harness 是另一个——显式、可检查、可测试、可复用。今天的模型能造出可运行的执行系统、做出有用的局部改进，但跨未见任务、跨执行模型的鲁棒进化仍是开放难题。

哪些改动值得保留？

• Aspire：用 Agent 看不到的评测检验目标。
• S³Gym：用下一次决策检验经验。
• HarnessDev：在固定执行器下进行 Evolution，再用留出任务检验结果。

https://arxiv.org/pdf/2608.31111
Aspire: Can Models Self-Evolve from Vague Goals?
https://arxiv.org/pdf/2608.31100
S3Gym: Can LLMs Turn Self-Testing and Self-Judging into Self-Improvement?
https://arxiv.org/pdf/2609.01437
HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness?