递归自我改进(RSI)这件事,卡在两个很具体的地方:给智能体造一批异构、可验证的环境太贵;Harness——包在模型外面的那层工程外壳——靠人手迭代,跟不上任务多样性的膨胀。10 月 26 日挂上 arXiv 的 The Trinity(2610.36077,cs.AI)给出了一套自动化程度相当高的答案:模型权重一行不动,让框架自己长出「能力树」。论文当天冲上 Hugging Face Daily Papers 热榜第一(233 赞)。
冻结的 Claude Opus 5,动的全是外壳
框架的基座是一个冻结的 Claude Opus 5(附录 D:全程 adaptive thinking 低档),所有改进都发生在 Harness 层——论文把 Harness 定义为围绕冻结模型的六个控制流协议。三个角色分工明确:Explorer 拿基础 Harness 把训练任务跑一遍、记录轨迹;Evolver 从验证过的轨迹里提取共性需求,把按表面类别组织的任务树重排成层级能力树;Creator 为同节点任务抽象出简化的、可验证的仿真世界,专门练能力——生成的世界明确排除目标任务的布局与解,防止泄漏。最终能力树长出 11 个能力节点、10 套 Harness,Creator 的共享模块库累计 25 个模块。新任务来了,由 Capability-Aware Harness Router 按公开任务信息挑一套兼容配置。论文称之为 Capability-Driven Real2Sim2Real:仿真里练,原任务上测迁移。
44 个基准上的成绩单
基准库共 44 个,分 5 大域、15 个子类,覆盖规则发现、游戏、GUI 操作和具身交互;摘要口径为 28 个训练基准 + 18 个未见基准。基础 Harness H0 的均值是 39.06/37.45(Train/Unseen),四轮 RSI 迭代后,论文报告训练侧平均 +34 分、未见侧 +26 分,还包括两个真机具身任务(SOON E01、CaP-X C-01)。分基准看:迭代 1→4 间 ARC-AGI-3 从 41.0 升到 53.6,SciGym 45.2→57.1,BuildArena 93.3→97.8;未见均值超过 Codex(47.5)与 DeepSeek(46.2)两个对照 Harness。
两个结构性发现值得单独说。其一是组织方式:五种组织方案里,六组平铺的能力分组训练最省(136.94M tokens)但成绩最低(49.25/39.43);把能力组织成树、在 Creator 生成的世界里练,成绩最高(56.95/47.26),代价是训练 token 涨到 405.70M——用「在哪里练」换「练得多好」。其二是路由:完整自路由拿到 71.27/60.96,已经逼近事后最优的 Oracle(73.16/63.61),说明路由器基本总能选对分支。
三瓢冷水
第一,增益不均匀:Mastermind 四轮停在 88.9,规则发现游戏 Eleusis 从 82.2 微跌到 81.1;Crafter 涨到 60 后仍远低于 Codex 对照的 82.7,论文自己也点名 Crafter 与 DiG-bench 低于两个对照。第二,评测协议里每个基准-Harness 对先跑五次 preparation trials,把轨迹总结成技能再固定计分——增益里含一段「临考突击」的适应性成分,HF 社区讨论也点破了这一条。第三,可复现性目前是纸面的:GitHub 仓库只有 3 个 commit、14 star,README 写明代码「10 月 28 日起一周内」放出;论文署名为团队名 The Trinity Research Team、未列机构(HF 论文页机构挂新加坡国立大学,一作 Weidong Tang,作者名单 21 人)。
所以呢
The Trinity 的真正主张不是跑分,而是把 RSI 的优化对象从「任务」换成「能力」:任务会过时,能力可以跨任务复利。Anthropic 官方也专门讨论过递归自我改进的治理问题,而权重不动、外壳自进化,恰是一条不需要重训模型的渐进路线。对工程团队的直接启示:在砸钱微调之前,先把 Harness 的模块化与路由做扎实,可能是更便宜的一级火箭。代码一周内落地,届时这套能力树能否被第三方复现,才是它从技术报告变成方法论的门槛。