谷歌开源的这套「自我魔改」外挂，成绩单怎么看

让 AI 自己给自己改外挂，业内喊了很久，翻车的更多。谷歌一个团队把他们的做法开源了，名字里带个平方。

一、发生了什么

据量子位 10 月 19 日报道，论文作者共九人、一作是在谷歌实习的博士生，项目代号可理解为「脚手架的平方」，已在代码平台开源，兼容两类主流开源编程框架。它干的事是：模型在跑任务时，自己动手改外层的提示词、工具链和技能库。思路分两层——内层针对当前任务做对照实验，先跑一版参考轨迹暴露缺陷，再让「编辑」角色提出通用缺陷修补和领域专属修补两类方案，各自试跑后，靠行为对比挑出真有效的改动合并进去，还支持一次铺开多个候选并发探测；外层则把每次调试的记录沉淀成经验库，下一个新任务进来时直接检索过往的避坑指南，相当于改的不只是眼前的脚手架，还有将来改脚手架的手艺。据团队自测，在办公类基准上，同一开源底座模型综合得分从 64.2 提到 75.7，反超了没装这套框架的更强闭源模型；在法律类基准上部分通过率提升 11.8 个百分点；把并发预算拉高后，各项分数还能再涨一截。

二、跟你有什么关系

如果你在搭 agent 应用，这类「运行时自我修补」的思路值得跟踪，经验库那层设计尤其可借鉴——把一次性的修 prompt 变成可积累的资产。如果你是管理者，注意它的收益集中在长尾工程问题，换不来模型本身的智力跃升，预算该怎么分要想清楚；拿它当「不用买更强模型」的理由，多半会失望。如果是普通用户，暂时用不上，等项目成熟、有人接进现成工具后再看，第一批能体验到的多半是编程助手的稳定性改善。

三、怎么判断

1. 分清改的是什么：它没动底座模型一个参数，改的全是外层脚手架。「自我改进」这个词用在这里，和「模型自己变聪明」是两回事。
2. 看涨幅出处：以上分数全部是团队自测，没有第三方复测，论文自己也强调任务验证快、成本低的方向最容易刷出分，看分先看谁打的分。
3. 看通用性：跨领域迁移测试只有零点几到二点九分的无痛涨幅，说明经验库目前还是近亲繁殖，离「越用越聪明」有距离。

四、三个别信的说法

「RSI 实现了。」 改提示词和工具链属于工程层递归，和「模型自己训练下一代模型」不是一个层面的概念，别被标题吓到。业界对真正意义上的自我改进分歧很大，这个项目恰恰说明大家开始在外围找增量。

「套上就涨分。」 所有数字来自该团队选定的基准与底座组合，你的任务、你的模型未必有同样的提升空间，先小范围试，再决定要不要接进生产流程。

「闭源模型被开源外挂打败了。」 对比的是「更强模型裸奔」对「较弱模型穿戴整齐」，这是脚手架的价值，不是底座能力的反超，拿去当开源碾压闭源的证据属于误读。

五、一句话结论

外层工程的自学成才是真的，但它学到的是怎么干活的技巧，不是变聪明本身——这两件事媒体经常混为一谈。

信息来源

• 量子位对该开源项目的介绍，2026 年 10 月 19 日
• 对应论文的 arXiv 页面，2026 年 10 月

功能与价格以官方公告为准。本文写于 2026 年 10 月 26 日。