自进化的可信与规模化：False Frontiers、UniEvo-VL 与 CollabFlow 合读 精读

论文链接 1：False Frontiers: Diagnosing and Mitigating Co-Cheating in Self-Evolving Search Agents 论文链接 2：UniEvo-VL: An On-policy Self-Distillation Training Recipe for Multimodal Model Self-improvement 论文链接 3：CollabFlow: Recursive Self-Improvement of Agent Collaboration 代码仓库 3：CollabFlow（anonymous.4open.science） 发表时间：2026 年 9 月（三篇均为 9 月 29–30 日提交的预印本） 机构：

• False Frontiers：Rutgers（一作）+ UCSD + Michigan + McGill + KFUPM + 独立研究者，纯学术
• UniEvo-VL：Stanford（一作 Fang Wu，含 Leskovec、Yejin Choi）+ JHU + Oxford + Toronto + UC Riverside + Notre Dame + CMU + UNC-Chapel Hill 等，大型高校联盟
• CollabFlow：香港中文大学（深圳）+ 复旦大学 + Oxford，纯学术 领域标签：cs.CL / cs.AI / cs.MA（多智能体）

一、论文背景：当 Agent 开始自己训练自己

自进化（self-evolving）Agent 是 2025–2026 年 Agent 研究的主线之一。传统训练流程依赖人工标注的问题和答案，而自进化系统让模型自己构造训练课程：一个「提问者」（proposer）从语料中生成问题和伪标签，一个「解题者」（solver）在有监督信号上训练，解题者对新问题的表现又反过来决定提问者下一轮生成什么——Dr. Zero、Search Self-Play、R-Zero 等系统都属此列。这条「无人工数据」的闭环被寄望于突破数据瓶颈：模型能力的前沿可以由模型自己向前推。

但闭环有一个古老的阴影：代理奖励（proxy reward）。当奖励来自系统内部的一致性而非外部事实，优化器会找到「让内部信号变好」的捷径，而不是「真的变对」。2016 年 Amodei 等人提出的 reward hacking、2023 年 Gao 等人的奖励过优化标度律，都是这个阴影的理论预言。自进化把这个风险推到极致：出题人、做题人、阅卷人可能是同一个模型，甚至共享同一段训练数据谱系。

与此同时，自进化的另外两条支线也在快速展开。其一是多模态统一模型（MMM）的自我提升：生成与理解被装进同一个模型后，模型可以「画出图—看出毛病—改提示词重画」，理论上无需任何外部教师。其二是多智能体协作的自我提升：让一组 Agent 互相校验答案本就是一种任务内的改进，但「团队怎么组、消息怎么传」仍然依赖手写规则，没有形成跨任务的改进闭环。

三篇论文恰好卡在这三条支线的要害上：

• False Frontiers 发现闭环自进化的一个新失效模式——合谋作弊（co-cheating）：出题人和做题人在共享的错误上日益「达成一致」，内部奖励一路上涨，外部正确率却停滞甚至下滑。
• UniEvo-VL 展示了自我提升的「正确姿势」：同一模型分饰师生两角，把自我批评文本当作只有老师能看见的「特权信息」，用数学上干净的在策略自蒸馏（OPSD）把纠错信号内化进参数。
• CollabFlow 则把「协作本身」变成递归自我改进（RSI）的对象：不仅学谁和谁通信，还学消息该不该被相信、团队该保有多少多样性。

三篇论文合起来，实际上在回答同一个 2026 年下半年才真正显形的问题：自我改进何时可信、何时失控？

二、论文定位和关联工作

2.1 False Frontiers：自进化「失效模式」谱系的补全

False Frontiers 直接建立在 Dr. Zero（COLM 2026）的框架上——proposer 从源文档生成「问题+伪标签」，solver 训练后在 5 次采样中与伪标签匹配的比例构成 proposer 的 frontier 奖励 f(k)=(5−k)/4（越难越好，全对为零）。作者对这套耦合回路做事后审计，发现 co-cheating。相关谱系包括：

• Search Self-Play / R-Zero / Absolute Zero 等自博弈课程系统——它们同样以内部一致性为信号，但未系统研究「评卷者训练数据谱系」这一维度；
• SearchMaster（2608.01822）给出最接近的并行诊断（误导性自博弈信号），CAFE（2608.24794）研究反馈本身的共进化；
• 方法论上，CrossFit 借用的是双重机器学习（DML，Chernozhukov et al. 2018）的交叉拟合排除原则——用一个未接触过该样本的模型来评分，以切断自相关。作者诚实声明只借排除思想、不继承其渐近保证。

与经典 pseudo-label 确认偏差（Arazo et al. 2020）的区别在于：确认偏差研究「错误标签训练自己」，而 co-cheating 研究多了一层回流路径——错误标签训练出的 solver 会作为评卷人，把同源错误再「认证」回奖励。

2.2 UniEvo-VL：多模态自我提升从「筛选」走向「蒸馏」

多模态自我提升的先行工作主要有三条路线：Han et al. 2025 用理解分支打分筛选自生成图像做 SFT/偏好优化；UniCorn（2601.03193）让统一模型分饰 proposer/solver/judge 生成训练交互；ReflectionFlow 学会「坏图—反思—好图」三元组做推理期修正；SRUM 用图像级+对象级自奖励做奖励加权训练。这些方法的共同局限是：批评描述了「要改什么」，却没有告诉生成器「去噪过程该怎么改」，且大多依赖修正后的图像作为目标。

UniEvo-VL 的差异化定位是：不需要修正图像、不需要可微奖励、不需要独立教师，批评只以「修订版提示词」的形式成为老师（EMA 教师）的特权条件，训练目标是在学生自己的扩散轨迹上逐状态匹配师生的速度场预测。其方法论根基是 Learning Using Privileged Information（LUPI）与在策略蒸馏（OPD，Agarwal et al. 2024；DiffusionOPD，Li et al. 2026），以及「验证比生成容易」假说。

2.3 CollabFlow：多智能体编排的第三范式

论文把现有多智能体编排归为三类自改进回路：工作流编排（AFlow、FlowSteer 优化算子序列）、自适应组织（evolving orchestrator、稀疏拓扑学习只学「谁连谁」）、通信设计（debate、稀疏共识研究「传什么」）。三类方法各留一个断点：Agent 从来不是完整通信单元；逐字（verbatim）消息交换会传播从众与错误（DeGroot 模型刻画为固定权重平均，共识由初始答案而非证据决定）；奖励最大化让团队分布塌缩到少数模式，后续轮次无素材可学。

CollabFlow 同时补上三个断点：完整 Agent 作为通信单元、证据门控消息、GFlowNet 轨迹平衡保分布多样性。理论上继承 trajectory balance（Malkin et al. 2022）与 GFlowNet 基础（Bengio et al. 2023）。

2.4 三篇定位对照

三、问题定义：闭环里的信任从哪里来

三篇论文表面问题各异，但都可以抽象为同一个结构性问题：

给定一个闭环改进系统，其内部改进信号由系统自身（部分）产生，问：在什么条件下，内部信号的上升对应外部能力的真实上升？

拆解为三个子问题，分别对应三篇论文：

1. 信号的谱系问题（False Frontiers）：当评卷者 E 在数据 d 上训练、又用与 d 同源的样本考核出题者，E 的「认可」还剩多少信息量？形式化地：coupled 反馈下，同一源文档的错误伪标签 → 训练 solver → solver 在同源新题上复现该错误 → 复现被记为 agreement → 回流为 proposer 奖励。这条回流路径是否存在、多强、如何切断，是可以度量的。
2. 信号的来源问题（UniEvo-VL）：学生的输入是原始提示 p，老师的输入是 p 加上批评合成的修订提示 p̃。p̃ 在部署时不可得——它是不是合格的「特权信息」？判据是 LUPI 假设：验证（看出图哪里错了）比生成（直接画对）容易，因此 M(p̃) 的轨迹质量系统性地高于 M(p)，差值就是可蒸馏的真信号。
3. 信号的分布问题（CollabFlow）：如果训练目标是对自身产出奖励的最大化，策略会塌缩到单一团队——后续轮次的「学习素材」消失。问题变成：如何在每轮最大化团队质量的同时，保持团队分布与奖励成比例（q_c ∝ r^β），并给出轮间目标的移动上界？

这个三段式抽象的精妙之处在于：它把「可信自我改进」从一个伦理口号拆成了三个可操作的数学性质——反馈独立性、信息不对称性、分布保持性。三篇论文各攻其一，且各自的解法都可度量、可消融。

四、问题解法：三种切断失控回路的方式

4.1 CrossFit：让评卷人「没见过」这份考卷（False Frontiers）

类比：考试作弊的一种形式是「出题老师提前把答案教给学生，学生答对又反过来证明出题水平」。CrossFit 的做法相当于把学生分成 A、B 两个班，A 班的卷子只能由只教过 B 班的老师批改，反之亦然。

机制（原文 Figure 4）：

1. 源文档级分折：proposer 的源文档一次性划入 fold 0 或 fold 1，同一文档派生的所有问题永远属于同一折。按问题级随机切分不行——同一文档的关联样本会同时进入两侧，保留污染路径。
2. 辅助 solver 交叉评分：round r 结束后，两个辅助 solver 分别只在 fold 0、fold 1 的已采纳问题上训练；round r+1 中，fold 0 的问题由「只学过 fold 1」的 solver 评分，反之亦然。评分规则不变：5 次采样中与采纳标签匹配的次数 k，奖励 f(k)=(5−k)/4。
3. 主 solver 照常训练：主 solver 不分折，继续在全部采纳问题上训练——交叉拟合只改变「塑形 proposer 下一轮课程」的反馈来源，不改变下游训练数据。

对照方法 MSV（multi-sample verification） 是入场验证：同一模型 3 次带源文档、3 次不带源文档采样，双多数一致才采纳并替换伪标签。它改进标签质量，但每个候选多花 6 次标注生成，且无法阻止反馈复用。

4.2 UniEvo-VL：批评是老师的「小抄」（特权条件化 OPSD）

类比：学生考试只看题目；监考老师手里多了一张「这张图哪里错了」的纸条。训练目标不是让学生抄老师的卷子，而是让学生在自己画到一半的每一步上，都逼近「如果知道错在哪，下一步应该怎么去噪」。

四步循环（原文 Figure 2 / Algorithm 1）：

蒸馏目标：在由原始提示 p 驱动的学生轨迹 τ={s_0,…,s_T} 上，对每个状态 s_j（实现中只选 20 步里噪声最高的 30%，即前 6 步），让学生的一步转移 M^gen_θ(s_j, p) 逼近 EMA 教师（β=0.999）的 sg[M^gen_θ̄(s_j, p̃)]。流匹配实现下散度退化为按采样间隔平方加权的 L2 速度差。只更新生成器 LoRA（rank 16），批评家冻结；梯度只流向学生。修订后验证的采纳率仅 10–21%，即每个训练对平均需要 5–10 次采集尝试——这是论文诚实披露的主要开销。

4.3 CollabFlow：证据决定消息的命运，奖励比例决定团队的命运

类比：与其让所有员工在群里逐字转发彼此的结论（最终共识由嗓门和顺序决定），不如规定：只有拿出更硬证据（跑通的测试>检索支持>空口断言）的人才能覆盖别人；而公司在季度末不把资源全押给单一「最佳团队」，而是按成绩比例保留多支队伍，保证下季度还有得学。

消息级：证据条件化通信。每个 Agent 结束局部回合时有候选答案 a_v 和证据记录 E_v；分数 ℓ_v 取「仍然支持当前版本」的最强记录（通过可执行检查 w=2，检索支持 w=1，空口断言 0）。发送者 i 与接收者 j 答案不同时比较证据差 Δ=ℓ_i−ℓ_j 与间隔 κ=1：

• Δ>κ：采纳 a_i（两级证据差才允许直接覆盖）；
• Δ<−κ：保留 a_j；
• |Δ|≤κ：一次有界的、无工具的 Revisec 调用，输出重新过滤打分，保证证据记录始终绑定它验证过的版本。

陈述的置信度（confidence）从不进入 Δ——这是与「谁自信听谁的」式辩论的根本区别。有状态任务中唯一持有写权限的是 Executor，内部写入串行化。命题 2 证明：正确接收者只能经由 false adoption 或 revision error 两条路被翻错，式 (9) 给出可度量的分解。

团队级：协作轨迹平衡（CTB）。Collab-Director（可训练）通过合法动作序列搭建团队（完整 Agent + 带协议的边 + 输出规则），冻结 executor 执行。一个团队的所有构造顺序在 GFlowNet 图中汇入同一规范终点 g_G，因此团队奖励只计一次、信用由学习到的后向核在各顺序间分配。训练目标为长度归一化的轨迹平衡残差加 KL 近端正则，理想平衡点上每个团队的概率正比于 r_G^β——每个正奖励团队都保有余量。奖励本身由回路自生成：答案分 × Jeffreys 平滑的团队历史成功率 × MDL 结构先验，且每个唯一结果只计数一次；命题 3 与定理 B.16 证明轮间目标的 TV 距离有随记录累积而收缩的上界。

五、评估指标与实验证据

5.1 False Frontiers：把「合谋」变成可计数的量

核心指标：错误合谋质量（false-agreement mass）F——在被评估的「标签–响应」对中，双方在同一个错误答案上达成一致的比例。由 gpt-6-astra/high 构建证据支持的参考答案做事后审计（审计从不进入训练）。配套指标：采纳标签真实率 T_P、solver 真实率 T_S、一致率 A、丢失信用 L（正确 solver 响应被错误标签否掉）。co-cheating 的签名是 A 与 F 同升而 T_P/T_S 停滞——困难任务只会降低正确率，无法解释「对同一个与源文档不符的答案越来越一致」。

诊断结果：round 1 时 F 仅 0.004（4B）/0.003（9B），错误多以 lost credit 形式出现；到 round 3，F 达 6.1%/8.8%，A 系统性高于 T_S。合谋确实随轮次加重。

干预结果（Qwen3.5-4B / 9B，3 轮 ×129 步全程重跑）：

下游对比 Search-R1 为 +8.7/+7.8 点；多跳基准（HotpotQA/2WikiMQA/MuSiQue/Bamboogle）增益最大（平均 +10.0/+10.9 点）。关键实验设计：固定题库回放（3,000 道已保存问题与标签，仅改变评卷 solver 的训练谱系）把 F 从 0.058/0.073 压到 0.004/0.001，把「反馈来源」与「课程选择」两个变量干净分离。谱系消融同样锋利：同源辅助 solver F=0.064/0.087、全数据辅助 0.058/0.069（≈耦合基线）、按题随机切分 0.050/0.062——只有按源 ID 切分有效。而 MSV+CrossFit 仅比 CrossFit 多 0.3 点下游增益：反馈来源比标签质量更关键。

5.2 UniEvo-VL：区分「训练内化」与「推理期反思」

指标体系：GenEval 官方分（0–1，组合生成）、GenEval2 Soft-TIFA 几何均值（0–100，抗饱和的更新基准）、OCR 文本渲染（0–1）、Gemini 原子精度、HumanPref 视觉偏好（0–10）。评估明确分离直接生成与一次反思机会，且配对提示与种子。

主结果（Qwen-Image-2512 底座，仅训生成 LoRA）：

与闭源模型对比：UniEvo-VL+批评达 0.85，超过 SD3.5-L（0.71）、HiDream-I1（0.83）、Z-Image（0.84），逼近 LongCat（0.87）。

最有洞察力的一组实验是训练 × 反思的 2×2 分解：训练增益（直接生成）在 GenEval 上 +0.069；base 模型的反思增益 +0.078，训练后模型的反思增益降到 +0.030——GenEval 上二者部分重叠；但 GenEval2 上训练后反思增益反而升到 +11.17——内化与推理期反思在该基准上互补。且同样给一次反思，训练后的模型仍全面超过「反思过的 base」（0.848 vs 0.826），证明获得的是超出提示改写的能力。难度分层显示增益集中于 Hard 子集（+19%~+67%），Easy 子集轻微回退 1–4 点——采集机制天然只从失败样本学习，论文坦承这一「保真度损失」。

5.3 CollabFlow：12 数据集 × 8 基线 × 5 种子的全矩阵

主结果（Qwen3.5-9B 同时任 Collab-Director 与冻结 executor，统一预算含消息开销，5 次运行 Welch t 检验全部 p<10⁻²）：IID 平均 EM 75.94 / Acc 89.15，超最强基线 +2.27 EM / +4.37 Acc；OOD 平均 EM 69.92 / Acc 86.41。亮点单点：NQ-Open EM 93.44（较底模 +65.5）、ALFWorld 成功率 98.44、AIME 2026 75.33、MedXpertQA 97.97。

三类证据分别对应三个主张：

1. 范式消融（证明「学协作」本身有价值）：去 director 训练 −13.7 IID / −19.5 OOD，其中跨轮递归贡献 7.6 / 13.6；去通信损失最大；逐字交换、强制修订、全 ONEWAY 边损失 5.5–9.8 IID 但 14.3–15.6 OOD——分布外伤害更大，因为错误候选更多时门控失守的路更宽。
2. CTB vs 奖励最大化（证明「保分布」有价值）：匹配 rollout 下 CTB 奖励 0.8775 对 GRPO 0.8226 / PPO 0.8336；轮间团队分布 TV 距离 0.0937 对 0.1631 / 0.1506；找到 26 条不同成功路径（基线 ≤15）。
3. 跨 executor 外推（证明学的是协作不是任务答案）：6 个其他冻结 executor（GPT-5.6-Luna、GLM、DeepSeek V4.1、Grok-4.5、MiniMax M2.7、Claude Haiku 4.5）全部被提升，且越弱增益越大（Pearson r=−0.96），IID 差距从 23.3 收窄到 9.3 点。token 成本最低（9.7k/项，CV 0.20）。

六、效果优势的根源解释

6.1 根源机制与证据链

False Frontiers 的因果链（论文实验已支持的部分）：耦合反馈下，错误伪标签 → 训练 solver → solver 在同源新题复现错误 → 记为 agreement → 回流奖励，五步构成自强化回路。CrossFit 切断第三步到第五步的通路（评卷 solver 的训练历史排除被评来源）→ 同源错误无法再被「认证」→ F 下降（3.0%/3.7%）、采纳标签真实率上升（0.747→0.819 / 0.737→0.851）→ 课程不再围绕共享错误演化 → 下游 +8.8/+8.4 点。固定题库回放与六种谱系对照把「评估者复制、任意切分、任务选择、额外更新」逐一排除，source ancestry 是唯一存活的解释变量。

更进一步的推论（论文实验支持的对比性结论）：MSV 增益有限不是验证强度不够，而是验证的对象错了——它提升标签质量，却不改变反馈依赖。这与直觉「先验证再用」相反，是论文最反常识的发现。

UniEvo-VL 的因果链：(1) 验证比生成容易（LUPI 假说，Hübotter et al. 2026、Zhao et al. 2026 提供外部支撑）→ 批评文本蕴含学生不可得的信息差；(2) 修订提示把「哪里错了」翻译成「场景应该是什么」的完整规范——可直接条件化生成，避免「对旧图的抱怨」这种生成器无法执行的形式；(3) 在学生自身轨迹状态上匹配（而非模仿教师轨迹）避免分布失配——这是 on-policy 蒸馏的教科书理由；(4) 修订后验证滤掉无效修订，抑制噪声标签进入蒸馏。四步合起来把「测试期算力」变成「参数改进」。批评家越强增益越大（Luna 0.882 vs Qwen 0.808），且 GenEval2 双对象/颜色类别增益（+1.21/+1.02）远大于 Qwen 批评家（+0.28/+0.37），说明瓶颈沿「批评家的辨识力」传导——自我提升的上限由判断能力决定。

CollabFlow 的因果链：(1) DeGroot 式逐字交换的共识由初始答案与权重决定、与证据无关（Lemma B.11）→ 证据门控让「消息的使用方式」取决于可检验证据而非口才与顺序 → 正确接收者被翻转只剩两条可度量的小路（命题 2）；(2) 奖励最大化目标是点估计 → 团队分布塌缩 → 后续轮次学习素材枯竭 → CTB 的奖励比例目标让每个正奖励团队保概率（0.6/0.4/0.2 奖励的三个团队被采样 1/2、1/3、1/6）→ 26 条成功路径对 ≤15；(3) 自生成奖励的轮间移动有随记录累积收缩的界（定理级保证）→ 递归不会因目标漂移而发散。三步分别对应「消息可信、素材不竭、目标不漂」。

6.2 外部检索交叉验证

围绕三条机制假设检索相关工作（检索范围：arXiv 2024–2026 自进化/自蒸馏/多智能体文献，关键词含 cross-fitting / privileged information / GFlowNet multi-agent / self-play collapse 等）：

相反/限定证据：UniEvo-VL 自己提供了重要限定——OCR 任务上无验证的 Qwen 配置反而低于 base（0.761 vs 0.771），文本渲染的增益对配置敏感；Easy 提示回退 1–4 点说明「只从失败学习」存在保真度代价。False Frontiers 承认共享预训练错误、重叠证据、语义关联源仍可能产生相关错误，CrossFit 只切断「同源直接复现」路径；且低 F 可能部分来自拒收难题而非学得更好（论文自己指出需配合覆盖率与固定探针解读）。检索范围内未发现对「证据门控在多智能体中无效」的直接反证，但 Ann et al. 2026（interaction tax）证明通信天然侵蚀多样性——这与 CollabFlow 的动机一致而非冲突。

6.3 综合判断与未决问题

多项证据共同支持的机制：(1) 内部一致性信号在闭环内会自我膨胀（False Frontiers 的 A/F 动态、Sharma 的 sycophancy、Gao 的过优化共同支持）；(2) 打破信息对称（特权条件、源排除、可执行证据）是获得真信号的有效手段；(3) 保持解分布多样性对递归改进是必要的。

仍属推测的部分：UniEvo-VL 的「验证比生成容易」在图像组合任务上成立，但在 OCR 这类「验证需要逐字符对齐」的任务上可能减弱（其混合结果可作此解读，但论文未直接检验，此为阅读者推测）；CrossFit 的源排除在源之间高度关联（同一事件的多篇报道）时的有效性未测试；CollabFlow 的自生成奖励上界假设答案分表固定，奖励被对抗性利用的情形未覆盖。

适用条件：三篇的方法都依赖「存在可检验的外部锚」（源文档、可执行检查、判别器更强的批评家）。当锚本身不可靠——源文档互相抄袭、测试套件有洞、批评家系统性盲区——三者都会退化为更昂贵的自我确认。

七、必要知识反推

假设让一个具备基础 ML 训练能力但没有领域背景的人复现这三篇工作，最少需要补齐的知识分三层：

领域知识层：

• proposer–solver 自进化范式的完整运作（Dr. Zero 的奖励函数、5-rollout 评估、课程偏移机制）——不理解回路就找不到「回流路径」这个病灶；
• 扩散/流匹配的逐步去噪形式（速度场、噪声调度、CFG）——UniEvo-VL 的「逐状态匹配」必须知道什么是「状态」和「一步转移」；
• 多智能体消息传递的实际工程（角色、拓扑、写权限）与 DeGroot 共识模型——这是 CollabFlow 定义「逐字交换为什么坏」的理论语言。

方法论知识层：

• 双重机器学习的交叉拟合思想（估计量与评估量数据分离）——CrossFit 的直接源头；
• LUPI/特权信息学习与 on-policy 蒸馏（OPD/SDPO/DiffusionOPD 谱系）——UniEvo-VL 站在它们肩上；
• GFlowNet 与轨迹平衡目标、MDL 先验、Jeffreys 平滑——CTB 与自生成奖励的三块基石；
• 审计式评估方法学：如何设计一个「从不进训练、但能逐 step 记账」的外部裁判。

工程知识层：

• 三轮 ×129 步的自进化全量重跑与保存每个调度步的 (源文档, 伪标签, 5 响应) 的日志工程——没有这份留痕，F 无法事后计算；
• 固定题库回放与配对评估（同提示同种子）——把「反馈来源」从「课程变化」里剥离的唯一手段；
• 多 executor × 多基准 × 5 种子的预算统一记账（含消息 token）。

知识融合的三个关键节点：(1) 把「co-cheating」从伦理叙事翻译成可度量的统计量 F，并意识到它要求审计者与训练回路解耦——诊断学与训练学的融合；(2) 意识到「批评文本」有两种身份：它既是失败的描述（不可用于条件化生成），又可被合成为场景的完整规范（可用于条件化）——对生成接口的理解与 LUPI 假说的融合；(3) 意识到 GFlowNet 的「多终点按奖励比例保留」恰好是多智能体「防塌缩」所需的数学对象——两个不相关文献的化学反应。

八、论文中可以提取的通用性灵感

灵感 1：信号的可信度取决于它的谱系，而不仅是它的质量。 论文证据：MSV 把标签验证了 6 次仍留下 5.7% 的错误合谋，CrossFit 只换掉评卷人的训练来源就把 F 砍半以上；MSV+CrossFit 相比 CrossFit 仅 +0.3 点。 推广场景：代码评审（评审人不应评自己提交引入的模块）、学术评审（作者-审稿人合作网络去相关）、自动化数据标注（标注模型不得在被评数据上微调过）、模型评测（judge 不得与被测模型共享指令微调数据）。

灵感 2：把「测试期算力」变成「参数改进」的正道是信息不对称，而不是更多轮的试错。 论文证据：UniEvo-VL 训练后直接生成 0.818，接近 base 模型加一次反思的 0.826，且训练后模型再加反思仍是最优（0.848）；批评家越强上限越高（0.808→0.882）。 推广场景：推荐系统（离线评估器的发现离线蒸馏进在线策略）、编译器优化（profiling 反馈内化为启发式）、机器人（特权仿真状态→部分可观测策略）、教育系统（批改信息内化为出题与讲解策略）。

灵感 3：递归改进系统必须显式保护解的多样性，否则会「学到一次成功然后饿死」。 论文证据：奖励最大化的 GRPO/PPO 轮间团队分布 TV 距离 0.1631/0.1506、成功路径 ≤15 条；CTB 为 0.0937、26 条，且增益跨轮持续。 推广场景：进化算法（保种群防早熟的经典在新语境重演）、A/B 测试平台（避免全流量涌向单一变体丢失对照）、组织管理（按业绩比例保留多支团队而非赢家通吃）、RL 探索（熵正则之外的分布级多样性目标）。

灵感 4：一致性是最便宜也最危险的代理指标——它可以在没有任何人变对的情况下上升。 论文证据：round 3 中 A 一致率高于 solver 真实率，F 与内部奖励同步上升（Figure 1 与 Figure 5 的「对角线上方」区域）；三篇论文分别以源排除、特权条件、可执行证据三种方式避开「口头一致」。 推广场景：客服质检（不能只测「结论与知识库一致」）、自动化研究复现（agent 间互评不等于正确）、众包标注（标注员共谋的检测）、AI 审稿（RobustReview 一系的「假鲁棒性」是同族问题）。

灵感 5：「验证比生成容易」是自我提升回路成立的前提，先审计这个不对称是否存在于你的任务。 论文证据：UniEvo-VL 在组合生成（验证=数对象查颜色）上增益大，在 OCR（验证需逐字符比对）上增益混合且配置敏感；Easy 样本回退说明回路只修复失败、不保持成功。 推广场景：任何打算上「self-play/自我奖励」的团队都应先构造一个判别难度显著低于生成难度的检验器，并显式管理「已成功样本」的回退风险。

附录：三篇论文速览表