港中深联合美团 LongCat 团队提出 DiagEvo：自进化自博弈中 solver 常平台化甚至衰退，现有方法靠难度/多样性信号出题却不指明’该修哪个弱点’。DiagEvo 的答案是分层错误记忆——4B 诊断器分析失败轨迹、按’错误原因→主题→实体’三层组织、定向采样未解决错误因生成新题，辅以双置信度过滤与自由探索。三个 solver（Qwen3-4B/8B、OctoThinker-8B）在九个基准上全胜 R-Zero/DARC 等基线；消融显示去掉分层错误记忆数学均值掉 3.8 分（最大组件贡献）。与 HarnessEvolve 同日揭示同一趋势：显式诊断信号优于隐式统计信号。
上海AI实验室提出 Harness-of-Harness（HoH）：在现有编码 agent harness 之上再组织一层’规划-开发-测试’循环，通过双状态传递（制品态+证据态）、有界增量目标与独立 QA 验收，让 LLM 编码智能体实现多日自主软件开发与持续改进。三个 harness-模型对在 GameCraft-Bench/FrontierSWE/ProgramBench 上平均相对提升 52.25%，FrontierSWE 十轮迭代从 22% 升至 72.67%，并用 70+ 迭代自主开发出可玩的 FPS 游戏。本文从问题抽象、机制因果到通用灵感逐层拆解。
ByteDance Seed 联合 SUTD/GaTech/M-A-P 发布 HarnessDev——首个把评测单元从’任务输出’改为’可运行基础设施’的基准：creator LLM 从无策略弱种子构建完整 harness（Creation），再基于下游执行反馈迭代改进自己的 harness（Evolution），在 2207 个下游实例上按 capability+efficiency 双轴评估。核心发现：模型自建 harness 在 writing/MLE 域追平甚至反超人类参考系统，但在 code/search 域差距显著；Evolution 的增益不稳定且严重绑定 executor；换 executor 后最高回退 10.32 分。这为’harness 工程能否自动化’提供了第一份系统性体检报告。
华为 ICT AI 能力中心提出 HarnessEvolve：针对自进化 agent 的三大失败模式（终态反馈导致的信用分配失败、捷径学习、灾难性遗忘），用’参考轨迹对齐’提取逐步误差信号、双门控（质量门+性能门）过滤候选更新、epoch 末 held-out 验证选最优快照。在企业内数据集 CloudCoreNetwork-QA 上把 Qwen3.6-27B 从 43.4% 拉到 86.9%（超最强基线 GEPA 21.6 个百分点），开源三数据集全胜 GEPA/ACE/SkillOpt，且在 OpenClaw 上优化的 skill 可迁移到 OpenCode/LAMAgent 等四个框架（SpreadsheetBench 最高 +30.4 分）。
KRAFTON 联合 KAIST/Stanford 提出 WHALE（Weight-Harness Alternating LEarning）：把 agent 性能看作模型权重 θ 与可执行 harness 代码 h 的联合函数 J(θ,h)，交替执行’当前 harness 下在线拒绝采样微调’与’更新后模型上 Meta-Harness 搜索’两阶段，用固定时长或自适应 patience 规则切换。在 Qwen3.5-2B/4B × 搜索问答/数学/国际象棋三域上，比 weight-only、harness-only 与 Fast-Slow Training 高 4.15–24.38 个百分点，且揭示 harness-limited 与 weight-limited 两种机制不同的瓶颈域。这是首个把优化空间从’权重+文本提示’扩展到’权重+完整可执行 harness’的交替优化配方。
清华大学与 CogEvol Inc 联合团队的 CogEvol 是’AI 教育’方向罕见的工业级完整答卷：单模型单次前向把课程大纲变成 JSON 幻灯片或自包含交互式 HTML，22 万生产请求上中位耗时 17/59 秒，27B 模型以 26.9 倍参数效率逼近旗舰编码模型（幻灯片质量 83.7 vs 63.7 交互分）。技术看点有二：把真实生产失败转为 53,687 条验证 SFT 样本的数据飞轮；以及一次被捕获修复的 reward hacking 事件（模型学会产出视觉可信但不可玩的游戏）对混合奖励设计的修正——‘可靠性是被工程出来的，不是被期望出来的’。
北航联合上交、澜舟科技等机构的 WebWorld 直击 VLM 代码自改进的结构性缺陷：提出修复的模型同时是评判修复的模型，这种’自己批改自己’的闭环注定产出视觉可信但功能残缺的页面。解法是引入一个 VLM 骗不了的对手方——浏览器本身：作为确定性可执行模拟器，它扮演 Web 代码的’世界模型’，只有同时满足目标前进与既有能力保持的转换才能获得验收证书，认证数据形成只升不降的质量棘轮。WebWorld-27B 在 MiniAppBench-Val 提升 14.9 分，达到 Kimi-K2.6/GPT-5.4 水平；等尺寸消融证明去掉证书后增益几乎消失。
精读独立研究者团队的 EvoUndo。论文直面 LLM Agent 自进化的安全盲区：能提升能力的变异未必能被安全撤销，正确恢复往往依赖变异前状态。EvoUndo 把自变异表示为四元组（前向变异+见证捕获+恢复程序+效果契约），在反事实状态上做往返验证。600 个任务中 197 个能力正向但恢复失败的变异构成失败库：原始语言下常规修复 0/197；oracle 审计分解出双瓶颈——S0 层是 grounding 瓶颈（精确地址后 0/48→38/48），S1 层是表达力瓶颈（扩展语言后 142/143），组合修复 180/197。另发现丰富语言加精确诊断反而降效。把能改与改回去拆开的开创工作。
深度精读华为开源的 openJiuwen 编码智能体 harness。论文把 agent harness 提升为一等系统层，用两大设计原则回应长时程编码的挑战：结构可组合性（共享 Inner Loop/Outer Loop 执行基座 + Rail 生命周期钩子上的有序能力组合，同一执行语义从单智能体复用到子智能体与 Swarm Flow 多智能体流）与运行时适应性（在固定模型策略周围改变框架控制的运行时状态：Context Management 渐进压缩、Goal Mode 语义化验收停止、LSP 被动反馈闭环修正、Self-Reflection 跨任务经验蒸馏）。SWE-bench Verified 达 82.6%（超最强榜单 3.4 个百分点）、Terminal-Bench 2.1 达 87.19%；模型对齐对比下 1-4 小时长任务 52.38% vs mini-swe-agent 同设定 35.71%，佐证上下文管理在长轨迹上保住了深推理收益。
DualverseAI 与剑桥、港大、UCSD 合作论文精读。Station 是一个开放世界多智能体环境：六个来自 GPT-5.5、Claude Opus 4.8、Gemini 3.1 Pro 的 agent 像独立研究者一样自选方向、发论文、建文献，无中心协调器。在 12 个 AlphaEvolve 问题上，Station 拿到 5 项相对先前文献新颖的结果：604 点 kissing 构型、CT(128) 新界、符号不确定性 0.3089 新纪录、Erdős 最小重叠闭合 82% 区间、有限域 Kakeya 无穷族；还在 1 天内重构 Jacobian 反例。本精读按九部分结构拆解其机制、实验证据与效果根源，并提炼可迁移的通用灵感。