CoEvo-RSI：双向历史继承驱动的模型–框架共进化递归自改进 CoEvo-RSI: When Harnesses Evolve, Which Models Should Follow?

每一轮进化依次执行六步。第一步诊断：当前配对 $p_t$ 在验证集 $\mathcal{V}$ 上跑 rollout，收集观测 $O_t$ 生成反馈 $F_t$，同时统计 TIMR。第二步证据整理：Curator 在检索预算内逐步查询档案元数据，产出共享证据 $e_t$（把历史设计与其模型、结局关联起来）和 $K$ 条修改假设 $b_{t,1:K}$。第三步 harness 继承：$K$ 个编辑器各自浏览档案选择历史起点 $\mathcal{H}_{i_{t,k}}$，结合证据编辑出有效且互异的子代 $\mathcal{H}_{t,k}$。第四步模型继承：元智能体为每个子代提出合并系数 $\alpha_t^{(q)}$，在初评中观察任务表现与 TIMR（评估时两者固定不变），精化出候选配对集 $\mathcal{Q}_t^{\text{sel}}$，最终 $\bar{p}_t = \arg\max_{p \in \mathcal{Q}_t^{\text{sel}}} \hat{J}_{\mathcal{V}}(p)$。第五步配对适配：选中的 $\bar{p}_t$ 在训练集上以温度 1 对每任务最多采 3 条轨迹，保留验证器通过的首条轨迹，做 1 个 epoch 全参数 SFT（学习率 5e-6，batch 8，4 张 H100），得到 $p_t^+$。第六步晋升：在 $\{p_t, \bar{p}_t, p_t^+\}$ 中按同一验证集排名，只有比 $p_t$ 高出边际 $\delta_{\text{prom}}$ 的候选才可取代现任，否则 $p_t$ 连任；包括失败修改在内的全部结局连同 harness 血缘与系数 $\alpha$ 写入档案 $\mathcal{A}_{<t+1}$。

与最近邻工作相比有三点区别。第一，相对 HarnessForge、Co-Harness、WHALE 等共进化框架——它们每轮的模型初始化隐式取自最新代或父分支——CoEvo-RSI 把模型继承变成显式搜索：检查点可来自档案任意位置，也可 TIES 合并，且选择标准中显式包含 TIMR。第二，相对 Darwin Gödel Machine 的智能体档案，本文档案同时索引 harness 设计、模型检查点与执行结局三者的关联，使'哪一代模型适配哪一代 harness'成为可检索的知识，附录 D 系统对比了代表框架的继承程序。第三，TIMR 把接口兼容性从定性描述变成分母归一化、可自动计算的比率指标，且论文诚实地限定它只覆盖可观测接口违例、不含能力错配。消融实验支持每个组件的必要性：Latest-only 在第 4 轮回退且最终 SA 最低，Harness-only 十轮中八轮 TIMR>1%，Model-only 的 SA 不超过 35%，而完整方法十轮 TIMR 始终不高于 0.22%，且在第 6、8 轮复用第 4 轮权重分别恢复到 61.11% 和 61.90% AA。

第一，验证器瓶颈：拒绝采样和晋升判断都以自动验证为前提，这把方法限制在有精确判分的领域（SQL 执行、设备操作、带标注的失败归因），对开放式写作或无判分任务无法直接套用；改进方向是引入学习型奖励模型、LLM-as-judge 或辩论式验证，并为验证噪声设计置信度加权的晋升规则。第二，档案检索压力随轮数增长：10 轮、每轮 8 候选已产生数百条记录，Curator 依赖元智能体的检索与判断，更长进化周期下上下文预算 $L_{\text{ctx}}$ 会成为瓶颈；可引入分层档案索引、自动摘要或学习式检索器。第三，TIMR 是必要非充分信号：模型可能以合法但低效的方式使用工具（能力错配），TIMR 无法捕捉，Figure 2 右图里 0% TIMR 只对应 37.50% 准确率就是例证；可补充任务分层探针、单工具 canary 测试作为廉价能力探针。第四，脑体配对评估成本高：评估占每轮墙钟大头（4.54–6.11 小时，总时长 17.48–20.71 小时），候选配对数量受算力约束；可用 TIMR 预筛、早期淘汰或代理任务缩短初评。第五，三个领域各自独立进化、档案不共享，而通用经验（如证据核查模块）本可跨域复用，值得实验跨领域联合档案。

作者在结论与正文指出的方向包括：把脑体对齐确立为自改进智能体的核心组织原则，发展 TIMR 之外更全面的能力对齐诊断（附录 B），并把框架推广到更多垂直领域（轻量失败归因评测器、本地智能家居控制器、受权限约束的企业助手）。基于本文成果可以自然延伸的研究有：其一，把模型继承从 SFT 升级为与 RL（GRPO/GSPO）耦合，检验历史检查点合并是否同样能加速策略优化；其二，研究档案的跨任务迁移，让一个领域的进化产物（如证据核查、权限校验模块）作为另一领域的初始 harness，检验通用模块的可迁移性；其三，探索合并系数之外的初始化构造方式，如任务向量算术或学习式路由；其四，把继承决策从每轮一次扩展到部署期在线继承，在数据漂移时动态重配对；其五，理论层面刻画脑体错配的成因与收敛条件，例如 harness 变更幅度与模型适配所需数据量之间的关系。

复现条件较好：代码在 GitHub 开源（SuJQ0722/CoEvo-RSI），模型检查点在 Hugging Face collections 发布，基座 Qwen3.5-9B 开放权重。数据方面，TracerTraj 留出 200 条做验证、其余 3,400 条单错误轨迹（来自 TracerTraj、CORRECT-Error、AFTraj 及自建轨迹）用于训练；Who&When、Who&When Pro、TraceElephant、RBAC、HomeBench 均为公开数据集且使用官方划分，失败归因的四个基准全部与训练及进化选择隔离。算力需求适中：适配阶段仅需 4 张 H100 做 1 个 epoch SFT（学习率 5e-6，batch 8），元智能体 API 开销约每三轮 2–3 美元，完整运行一天内完成。主要不确定性在于元智能体（DeepSeek-V4.1-Flash）驱动的进化过程具有随机性，复现者可能得到不同的 harness 血缘和最终配对；作者对失败归因结果做了三次平均，但完整流程的运行间方差和验证器实现细节是否完全开源，需要在仓库中进一步确认。总体难度中等，适合有小规模 GPU 集群的团队复现或迁移到自己的垂直任务。