论文「Harness Learning」：训练 4B 小模型改写智能体的外围代码，在 21 类没见过的推理任务上平均胜过 35B 教师

这件事意味着什么

【要点】

9 月 28 日，Alvin Zhang、Ruslan Salakhutdinov、Daniel Khashabi、Yuda Song、Andrea Zanette 等九位作者在 arXiv 发布论文《Harness Learning Enables Generalizable Test-Time Adaptation》（2609.35738）。论文把智能体拆成「模型 + 外壳（harness）」：外壳是组织模型调用、工具使用和信息流的那段可执行代码。作者训练一个「提议者」模型，根据执行结果去改写另一个「求解者」的外壳代码，用强化学习以改写后的任务得分为奖励。测试时两个模型的参数都不动，只改代码。

10 月 11 日它进了 DAIR.AI 每周论文榜；Pedro Domingos 发帖称「模型吞掉了外壳」（约 35 万浏览），马斯克回复说特斯拉 FSD 也是神经网络一点点吃掉 C++ 代码（约 25 万浏览），讨论随之升温。

【可核验】

论文：https://arxiv.org/abs/2609.35738

在 Reasoning Gym 上，提议者和求解者都是 Qwen3.5-4B，先用 35B 教师的改写做监督微调，再做强化学习。在 21 类训练时没见过的任务上，单步改写平均得分从基础模型的 0.32 升到 0.62，高于 35B 教师的 0.56；但按「8 选最优」比较时，教师仍更高。多跳问答上，只在 HotpotQA 训练的提议者能迁移到 MuSiQue 和 2WikiMultihopQA；MuSiQue 上独立改写平均精确匹配 0.15，连续改写十轮后到 0.27。

X 讨论：Domingos 帖 https://x.com/pmddomingos/status/2109420932955804040 ，马斯克回复 https://x.com/elonmusk/status/2109468545054880123 ；相关帖子 24 小时约 150 条，最近 5 小时每小时 24–33 条。

【我们的判断】

1. 「模型吞掉外壳」说反了一半。这篇论文里外壳没有被并进权重，而是由另一个模型持续改写，结果仍是能读、能审、能回滚的代码。这和 FSD 用神经网络替换手写代码正好相反，对安全审计反而是好事。

2. 真正的新意是把「改外壳」本身当成可训练的技能，而且能迁移到没见过的任务。它和 e/820 Sakana MASS 属于同一条线：不改权重也能让智能体越用越好。

3. 证据规模还小：4B/8B 模型、谜题和问答任务，不是前沿编码智能体；教师在多次采样下仍占优。能否在真实长程工具任务上复现，才决定它是方法论突破还是一篇好论文。