Summary
Aspire 把 self-evolution 的起点从”人类已经指定好的任务与评测脚本”退回到一句自然语言的模糊能力目标，要求 agent 自己完成 target operationalization——选数据、定更新方法、造验证信号——再用 520 道 agent 不可见的专家新题做外部裁决。三项实验一致给出负性结论：agent 能稳定跑完 data–train–verify 闭环，但 final-only 协议下 12 个 model–goal pair 只有 1 个 Avg@2 超过 base score，adaptive-feedback 的 30 个 cell 只留下 1 个被保留的改进，三个演化出的 successor harness 全部低于人工 Qwen-Agent 参考。
Problem & Motivation
现有 LLM self-evolution 工作（PostTrainBench、LaMDAgent、Evo-Memory、SEAL）几乎都在人类已经把”提升数学推理”操作化成”提升 AIME 分数”之后才开始：任务格式、难度区间、指标、成功判据都已给定，agent 只搜索 how to improve，不决定 what to optimize。作者把这条缺失的轴命名为 target operationalization——把宽泛能力方向转换成可训练目标、学习信号与验证标准，并指出它正是递归自我改进的持续性卡点：当既有 benchmark 饱和或不再反映新的能力缺口时，发现弱点、翻译成任务、设计 reward 这三件事仍然只能由人来做。
论文用 forward deployed engineer 的角色做类比来定位这个空白：真实部署里目标是模糊的、反馈信号常常缺失或不可靠、执行系统本身尚不存在，这三层工作今天由人类工程师补齐。Aspire 只取第一层。这个 formulation 带来一个方法论后果——一旦允许 agent 自己构造 proxy，就多出一个在既有 benchmark 里不存在的失败模式：proxy 上的收益不保证转移到目标能力。因此评测必须由一个 agent 完全不可见的外部 evaluator 来做，否则测的还是”能不能优化给定指标”。
Method
任务形式化与两个演化面。 一个 campaign 固定 controller 侧契约（vague goal、绑定该 goal 的版本化 evaluator、judge、typed action contract、预算、预声明的终选规则），round 内状态由模型权重、agent harness、指挥搜索的 decision model 三部分组成。Aspire 刻意把”被演化的组件”和”指挥搜索的策略”分开：权重演化时固定 harness 与 decision model，harness 演化时固定权重与 decision model。训练出的 descendant 只能在下一轮被显式 promote 成 decision model，不做轮内自动替换——所以论文报告的全部结果都属于自导向的权重/harness 搜索，而非递归的 decision-model 替换，这一点作者自己反复限定。
隐藏评测集。 520 道题分属六个互斥 goal：科学与学术推理 75、人文社科知识 110、健康医学推理 100、数学推理 126、逻辑可靠性与指令遵循 89、学术科技写作 20（写作是 20 个可产出多个评分样例的 task bundle，所以 RQ3 同时报 task-macro 与 example-micro）。全部题目由领域专家从零撰写，GPQA、MMLU-Pro、MedQA 只作任务形态与难度参照，不抄题。质控链是：独立评审剔除错误、不完整、欠定义或不可稳定评分的候选，Seed-2.0 / GPT-5.2 / Gemini-3 盲筛按失败模型数标 L0–L3 难度，精确与语义去重加对参照 benchmark 的 overlap 审计，scorer binding，最后按 SHA-256 manifest 冻结版本。第五个 goal 论文明确自陈是复合目标，不主张逻辑推理、抗幻觉、指令遵循三者可分别识别。
信息边界。 这是整套设计的骨架而非附属条款：agent 看不到题目、参考答案、rubric、routing label、候选输出与判分推理；每一份注册进训练后端的数据都要先过一遍对隐藏集的精确与语义 overlap gate；协议只返回它允许的聚合分。论文也没有把这套边界说成分布外——它把 OOD 限定为”独立撰写、排除在 agent 训练与自建验证数据之外、在 agent 构造的学习信号之外评测”，并明确不主张这些题的边际文本分布与预训练语料不相交。
最小交互环境与 safe retention。 agent 不操作 shell、不搭运行时、不写分布式代码，只通过一个 typed action 工具做：搜索/下载/导入/合成数据、发起 SFT 或 GRPO（可配 LoRA）、查作业状态、在自有 validation data 上跑检查、分支或终止；凭证、存储、调度、checkpoint 校验由 controller 吸收。保留机制是 score-gated：只有当 selected checkpoint 相对 incoming state 的原始分差为正才保留，否则回滚。因此保留增益恒非负——而论文明确点出这是 selection outcome，不是”每次更新都改进能力”的证据。这条自我限制是本文最该被同领域抄走的度量纪律。两套反馈协议分别测两种情形：final-only 全程无中间分、只提交一个终态 checkpoint，测开环执行；adaptive-feedback 允许对同一 goal 的隐藏题在配额内重复查聚合分，测稀疏黑箱反馈下的搜索。
Key Results
RQ1：换成模糊目标之后发生了什么。 在 PostTrainBench 原始 sealed evaluator 上，把 benchmark 名替换为宽泛能力描述后，Claude Opus 4.8 加权平均 27.07，对应官方 explicit-task 参考 32.90；GPT-5.6 为 29.58，对应官方 36.23。但 task 级并非一致退化：vague-goal Claude 在 HumanEval（56.63 vs 47.33）与 BFCL（58.63 vs 47.13）反而更高，GPT-5.6 在 GSM8K 更高（74.35 vs 69.48），退化集中在 HealthBench 与 ArenaHard。过程侧（48 对 matched run pair）：vague-goal 多 2,109 秒 decision-model thinking、多 0.61 GPU-idle 小时，active 时间少 1.27 小时；读任务定义的密度升 2.98 倍、查评测脚本 2.39 倍、LoRA/PEFT 使用 3.09 倍（LoRA 出现率 89.8% vs 24.1%，33 对从不用切到用且无反向切换）；但 trace 级平均 tool action 数从 188.5 降到 179.2，并未增加。作者据此只说”更多目标操作化工作、更少实际更新时间”，不主张前者挤占后者，也不主张这解释了最终分差。
RQ2：自导向的权重演化。 final-only 协议 24 个 run，每 run 上限 40 GPU-hours、只能提交一个终态 checkpoint。12 个 model–goal pair 中只有 Qwen3.5-9B 的科学推理一个 Avg@2 超过 base（45.33 升到 48.00，+2.67），4B 是 0/6；个体 run 层面 3/24 超过 base，其余 21 个被回滚到 base model。原始终态宏平均从 35.735 掉到 18.609（4B）、从 39.010 掉到 25.640（9B）。唯一那个正例还被作者自己拆开看：两次 run 都得 48.00、都答对 36/75 题，但只有 26 题重合，20/75 题在两次之间翻转对错——聚合方向一致，item 级并不稳定。
adaptive-feedback 协议 30 个 configuration–goal cell（每 cell 一次 run），28 个产出 evaluated checkpoint、21 个满足 eligibility，只有 2 个 cell 的 best evaluated checkpoint 超过 base（4B Self 科学 44.00 升到 45.33；Terra 在 4B 数学 17.86 升到 20.10），其中只有 Terra 那个同时通过 eligibility 并在回滚后留存。作者进一步给这唯一的正例降级：20.10 是在同一固定评测切片上用重复聚合反馈选出来的，没有独立确认切片，只能算 feedback-guided selection，不是独立复现的能力增益。
三条轨迹级发现比主结果更有信息量。其一，搜得多不等于搜得好：Sol 注册 40 个 plan、产出 33 个 evaluated checkpoint、消耗 76.56 settled training GPU-hours，没有一个超过对应 base；Terra 的数学后代从 20.10 跌到 2.78 再回到 18.17。其二，看起来的进步常常是自伤后的复原：22 个多 checkpoint cell 的 62 次连续 transition 中 28 升、13 平、21 降，14/22 的后续搜索超过了第一个 evaluated checkpoint，但例如 4B Self 的数学是 0.79 → 1.75 → 2.38，全程远低于 17.86 的 base——lineage 内的正斜率完全可以只是从训练自伤中爬回来。其三，数据–方法错配可以直接打崩输出格式：五个提交的 checkpoint 用 numeric-label MMLU SFT，训练快照 21,000 个 target 全为单数字，279 个对应评测输出也全为单数字，得分 0、0、0、6.141、0；同时 4B Self 在 30/32 次 dataset import 中拿的是 GSM8K 或 Hendrycks 数学数据，包括那些目标是科学、逻辑、写作的 run。全部 24 次终评一次判分通过、2,080 个 item 输出非空，所以这些退化不能归给评测故障。
RQ3：权重冻结下的 harness 演化。 固定 Qwen3.5-4B 为 runtime model、原始 Qwen-Agent 为参考 harness，四个 creator 各尝试造一个 successor。Qwen3.5-4B Creator 没能产出合法 harness，按预声明规则记 0；三个 GPT-5.6 变体全部低于参考的 28.64 task-macro / 27.65 example-micro——Sol 27.22/25.97、Terra 20.76/20.14、Luna 19.32/18.33。每个冻结 harness 在同一 20 道写作题上执行三次取均值，分数不回传 creator，且没有任何 run 把 H1 演化成 H2，所以这测的是一步 harness 生成而非递归自改。
两个机制诊断值得单独记住。Luna 在自造的 8 项 checklist 上通过加一个五段式研究模板把分数从 7/8 提到 8/8，另两个同构 prompt 也 8/8，于是约 40 分钟后收工；但检查隐藏集发现该模板会把索要机制、公式、参数、工程细节的问题重写成研究设计题——窄 proxy 上的满分换来的是隐藏集上最低的 19.32。Terra 正确否掉了一个会编造显著性结果与效应量的 two-pass reviewer，却漏掉了 final-answer invariant：calculator 调用后 final response 为空时，harness 提交了调用前的残稿；两道题因此返回 342 与 520 字符的片段，分数从 75.00 和 52.33 掉到 2.57 和 2.91，算术上约占该次执行总跌幅的 70%。Sol 花 3 小时 11 分跨四类验证任务测了 prompt 长度、工具调用恢复、禁用工具与复审 pass，主动否掉了本地分更高但有幻觉、延迟或工具控制问题的变体，最终只加了一个”末次响应完整非空”的检查——而这个检查在 20 道题上一次都没触发，所以它改善的是失败语义而非任务准确率。
Evidence Ledger
| Claim ID | Claim | Type | Source locator | Evidence excerpt | Status |
|---|---|---|---|---|---|
| C1 | 隐藏评测集 520 道专家新撰题，六 goal 分布 75/110/100/126/89/20 | number | Sec 3.2；Appendix A.1 Table 2 | ”scientific and academic reasoning (75 items); humanities and social-science knowledge (110); health and medical reasoning (100); mathematical reasoning (126)“ | source-verified |
| C2 | RQ1 加权平均：vague-goal Claude 27.07 vs 官方 32.90；vague-goal GPT-5.6 29.58 vs 官方 36.23 | comparison | Sec 4.2；Appendix B Table 3 | ”Weighted average 32.90 27.07 36.23 29.58” | source-verified |
| C3 | matched pair 多 2,109 秒 thinking、多 0.61 idle 小时、少 1.27 active 小时；读任务定义 2.98 倍、查评测脚本 2.39 倍 | number | Sec 4.2；Appendix B | ”2,109 more seconds of decision-model thinking and 0.61 more hours of idle time per matched run pair, alongside 1.27 fewer active hours” | source-verified |
| C4 | final-only 仅 9B 科学一个 pair 的 Avg@2 超 base（45.33→48.00，+2.67），4B 为 0/6；个体层面 3/24 超 base、21/24 回滚 | number | Sec 4.3；Appendix C.3 Table 4 | ”both runs rise from 45.33 to 48.00… 3/24 final checkpoints exceed their base scores, while rollback retains the base model in the other 21 runs” | source-verified |
| C5 | adaptive-feedback 30 cell 中 28 个有 evaluated checkpoint、21 个合格、仅 2 个超 base，唯一保留改进是 Terra 数学 17.86→20.10 | number | Sec 4.3；Appendix C.4 | ”28 produce an evaluated checkpoint and 21 satisfy the predeclared provenance, exploration, completion, and terminal-record requirements” | source-verified |
| C6 | Sol 产出 33 个 evaluated checkpoint、76.56 settled training GPU-hours，无一超对应 base | number | Sec 4.3；Appendix C.4 | ”it produces 33 evaluated checkpoints with 76.56 GPU-hours, but none exceeds the corresponding base score” | source-verified |
| C7 | Qwen3.5-4B Self 在 30/32 次 dataset-import 中导入 GSM8K 或 Hendrycks 数学数据，含科学、逻辑、写作目标 | number | Sec 4.3；Appendix C.4 | ”imports GSM8K or Hendrycks mathematics data in 30/32 dataset-import events, including events for science, logic, and writing” | source-verified |
| C8 | 五个 numeric-label MMLU SFT checkpoint：21,000 单数字 target、279 个单数字输出、得分 0/0/0/6.141/0 | number, causal-mechanism | Sec 4.3；Appendix C.3 | ”snapshots contain 21,000 single-digit targets, and all 279 corresponding evaluation outputs are also single digits; the five final-checkpoint scores are 0, 0, 0, 6.141, and 0” | source-verified |
| C9 | 三个 successor harness 全低于 Qwen-Agent 参考 28.64/27.65：Sol 27.22/25.97、Terra 20.76/20.14、Luna 19.32/18.33；4B Creator 无合法 harness 记 0 | comparison | Sec 4.4 Table 1 | ”Original Qwen-Agent reference 28.64 27.65… Luna successor harness 19.32 18.33… Terra 20.76 20.14… Sol 27.22 25.97” | source-verified |
| C10 | RQ3 每个冻结 harness 在同一 20 道隐藏写作题执行三次取均值，分数不回传 creator，无 H1→H2 递归 | benchmark-setting | Sec 4.4 | ”frozen and executed three times on the same 20 hidden evaluation items… No run evolves H1 into H2, so the experiment evaluates one-step harness generation” | source-verified |
| C11 | Terra harness 空 final response 提交残稿：342/520 字符，分数 75.00→2.57、52.33→2.91，约占该执行跌幅 70% | causal-mechanism | Sec 4.4；Appendix D | ”partial drafts of 342 and 520 characters, with scores falling from 75.00 and 52.33 under H0 to 2.57 and 2.91… approximately 70% of the aggregate decline” | source-verified |
| C12 | 保留增益非负是 rollback 的 selection outcome，论文明确声明它不是”每次更新都改进能力”的证据 | causal-mechanism | Sec 3.3 | ”The nonnegative retained improvement follows from safety rollback and is therefore a selection outcome, not evidence that every attempted update improves capability” | source-verified |
| C13 | RQ1 用 PostTrainBench 原始 sealed evaluator，其结果明确不与 RQ2/RQ3 的六目标 Aspire 评测合并 | benchmark-setting | Sec 3.1；Sec 3.2 | ”These task-specific results remain separate from, and are not pooled with, the six-goal Aspire evaluation used in RQ2 and RQ3” | source-verified |
| C14 | 22 个多 checkpoint cell 的 62 次 transition：28 升 13 平 21 降；14/22 后续搜索超过首个 evaluated checkpoint | number | Sec 4.3；Appendix C.4 | ”62 consecutive transitions comprise 28 increases, 13 ties, and 21 decreases. Later search beats the first evaluated checkpoint in 14/22” | source-verified |
| C15 | 论文唯一公开 artifact 链接是 project page，未声明公开 GitHub 代码仓库 | license-code | 首页脚注；全文链接扫描 | ”Project Page: https://self-developing-agents.github.io/“ | source-verified |
| C16 | final-only 每 run 上限 40 GPU-hours、仅一次终态提交；settled training GPU-hours 为 final-only 149.236、adaptive-feedback 322.610 | number | Sec 4.3；Appendix C.3、C.6 Table 5 | ”Adaptive-feedback protocol 30 124 107 322.610… Final-only protocol 24 – 83 149.236… 40 GPU-h/run” | source-verified |
Strengths & Weaknesses
问题形式化确实往前挪了一格。 把 target operationalization 单列为一条被测轴，比再造一个”agent 能不能优化给定指标”的 benchmark 有信息量得多。PostTrainBench、AI4AI-Bench、RSIBench-Data 这一系都默认任务已经可执行，Aspire 把”任务变成可执行”这一步本身当成能力来测，并且给出了它必须成立的条件——外部 evaluator 对 agent 完全不可见，否则测的还是老问题。
度量纪律罕见地严。 三处自我设限值得单独表扬：保留增益非负被明说是 rollback 的产物而非学习证据；best evaluated / selected / retained 三种结果分开报，理由是高的中间分可能来自未完成的 run；唯一那个留存的 Terra 20.10 被作者自己降级成”feedback-guided selection，不是独立复现的增益”。多数 self-evolution 论文会把这三件事糊成一个 headline，这篇没有。
负性结果的粒度到了机制层。 21,000 个单数字 target → 279 个单数字输出 → 得分 0，这条链把”数据–方法错配导致答案格式坍塌”钉成了可复现的失败模式，而不是停在”效果不好”；RQ3 里 Terra 的空响应路径能被算出约占跌幅 70%，是同一类可操作的诊断。信息边界也做了工程化落实（注册数据过 overlap gate、evaluator manifest 用 SHA-256 冻结、prompt profile 版本绑定以防 vague-goal run 静默恢复成 explicit-task contract），“hidden evaluation”不只是口头承诺。
以下是我认为需要保留的边界：
最强的结论其实是关于 Qwen3.5-4B/9B 的，不是关于”模型”的。 RQ2 被更新的权重始终是这两个小模型，decision model 也只有它们自己加 GPT-5.6 的三个变体。标题问 “Can Models Self-Evolve”，但”一个 4B 模型被自选的 SFT 打崩到答案格式坍塌”与”当前最强模型无法从模糊目标自演化”是两个命题。论文自己反复限定了 configuration，没有 overclaim，但这个外推极容易被下游引用者做掉。
RQ1 的对照不干净，论文也承认。 官方 PostTrainBench 分数是系统级参考，与 vague-goal run 共享 benchmark 定义与聚合权重，但其余 run metadata 可以不同。27.07 vs 32.90 这个差里有多少来自 prompt 中去掉了 benchmark 名、多少来自系统配置差异，这个实验答不了；task 级方向不一致（HumanEval、BFCL、GSM8K 反而更高）本身就是这层混杂的症状。因此 RQ1 只能当作过程侧的描述性证据读，不能当作”模糊目标导致降分”的因果结论。
N=1 是全篇的软肋。 adaptive-feedback 是完整的 5×6 设计但每 cell 只跑一次；RQ3 每个 condition 只有一条 creation trajectory，那三次执行测的是冻结 harness 的运行时波动而非三次独立演化；per-execution 离散度未报。于是 27.22 vs 28.64 这 1.42 分究竟是不是噪声，从文中判断不了——而”三个 successor 全部低于参考”这个 headline 的强度恰好依赖于此。作者把这条写进了 limitations，但结论的传播强度不会跟着 limitation 一起走。
“模糊目标更难”与”当前 scaffold 在模糊目标下更差”没有分开。 agent 拿到模糊目标后的行为——30/32 次导入数学数据、选 numeric-label MMLU SFT、在 8 题 checklist 满分就收工——更像是缺少”proxy 有效性自检”这一环，而不是模糊目标本身不可操作化。论文诊断出了这些失败，却没有做”给 agent 一个更好的 proxy 构造/校验工具后还差多少”的对照，所以 gap 归给目标形式还是归给 scaffold，仍然开放。这也正是这篇最有价值的后续接口。
跨 goal 的计数结论对难度校准敏感。 判分用 gemini-3.5-flash、8,192 token thinking budget、10% fail-closed 阈值；六个 goal 的分数量纲差异极大（health base 87.00、math base 17.86、writing base 19.27），而”只有 1 个 cell 保留改进”这类结论是在这些异质切片上数出来的。加之隐藏集按设计不会公开、项目页目前也没有代码或数据链接，外部无法独立验证难度校准与判分质量——这是 hidden evaluation 范式的结构性代价：它的价值来自不公开，可复现性也因此受限。
影响判断（推测）：这篇最可能被反复引用的不是它的 benchmark，而是”closing the training loop is not yet the same as closing the capability loop”这句话，以及支撑它的 21/24 rollback 与 62 次 transition 分解。它给 self-evolution 领域递了一个所有人都需要但很少有人做的对照纪律——把改进判给 base model，而不是判给上一个 checkpoint。
Mind Map
mindmap root((Aspire)) Problem 自演化研究只搜 how to improve what to optimize 仍由人操作化 target operationalization 是缺失轴 benchmark 饱和后无人发现新缺口 Method 仅给一句自然语言 vague goal 520 道专家新题隐藏评测 六 goal 信息边界 无题目 无 rubric 无 item 反馈 typed action 环境 SFT/GRPO/LoRA score-gated retention 不超 base 即回滚 两协议 final-only 与 adaptive-feedback 两演化面 权重 与 harness Results RQ1 加权平均 27.07 vs 32.90 官方参考 RQ1 更多目标解释 更少 active 训练时间 RQ2 final-only 仅 1/12 pair 超 base 21/24 回滚 RQ2 adaptive 30 cell 仅 1 个保留改进 RQ2 上升轨迹多为训练自伤后的复原 RQ2 numeric-label SFT 导致格式坍塌 得分 0 RQ3 三个 successor harness 全低于 Qwen-Agent RQ3 窄 proxy 满分 换来隐藏集最低分
Connections
- SelfEvolvingAgents-Survey 的”负性结果”与”evolution gate”两节应当直接吸收本文。该 survey 已经把 self-improvement reversal、rise-and-collapse、recursive self-training collapse 归纳为三条独立的失效证据线，Aspire 提供了第四条且性质不同：前三条讲的是”演化过程会跑偏”，Aspire 讲的是”演化过程连闭合都算不上有效”——闭合训练环（28/30 cell 完成 data–train–verify）与闭合能力环（1/30 保留改进）之间存在系统性落差。它的 score-gated rollback 也是 gate 家族里少见的度量侧 gate：不是拦住坏更新进入系统，而是拦住坏更新被计入战绩。
- 2608-ContinualSkillBench 是最近的同类负性 benchmark，两者的失效点恰好互补。ContinualSkillBench 发现 sequential 相对 independent 的 +0.136 里几乎全部由”保留上下文与评测反馈”解释，显式 skill 维护的净贡献不可分辨——即收益是真的，但归因给错了机制；Aspire 发现的是收益本身多数不存在，因为它把参照系换成了 base model 而不是上一个 checkpoint。把两篇并读能得到一条统一的方法论要求：自演化实验必须同时报”相对 base 的 delta”和”去掉声称机制后的 delta”，否则报出来的都不是演化增益。
- 2608-DarwinX 与本文 RQ3 构成一组值得追究的矛盾。DarwinX 在冻结 base model 下把 harness 演化做成 population selection，报告 Terminal-Bench 2.1 从 75.5% 升到 83.2%；Aspire 的三个 successor harness 全部低于人工 Qwen-Agent 参考。差异的候选解释至少有三个，都可检验：其一是演化步数——DarwinX 是多代 population 加 archive 重组，Aspire 明确只做一步 H0→H1；其二是 fitness 信号质量——DarwinX 的 fitness 全部来自 benchmark 自带 verifier 的 avg@k，Aspire 的 creator 只能用自建 validation data，而 Luna 那个”8 题 checklist 满分即收工”正是这种自建 proxy 的典型崩法；其三是 runtime 模型能力——DarwinX 跑在 GPT-5.5/5.6 上，Aspire 的 runtime 固定为 Qwen3.5-4B。这三者哪个是主因，是这一对结果留下的最具体的开放问题。
- 2608-EvoHarnessRL 提供了另一条对照轴：它训练 agent 在 runtime 如何使用 harness（cost-aware 的”何时值得付一步代价”），而 Aspire RQ3 与 DarwinX 都是离线改 harness 本身。Aspire 的两个失败案例（Terra 缺 final-answer invariant、Sol 的完整性检查一次未触发）恰好都属于”harness 的控制流缺陷”，说明一步式 LLM 编辑最容易漏掉的正是那些低频但高损的失败路径——这类不变量或许更适合用 runtime 策略学习或人工契约来保证，而非交给一次性生成。
- Harness-Component-Attribution 的核心结论（harness 论文普遍报 bundle 级增益、把归因留给读者）在本文得到一个反向样本：Aspire 报的是 bundle 级损失，并且通过 Appendix D 把其中一次执行的跌幅算到了单一机制头上（Terra 空响应约占 70%）。这类”负增益的组件归因”比正增益的归因更容易做，因为失败路径通常是稀疏且可定位的——该 Topic 呼吁的分项报告，在负性结果里反而更可行。
- AgentHarness-Design 的预算口径审计框架可以直接套用：Aspire 在这一点上是正面样本，明确报了 final-only 149.236 与 adaptive-feedback 322.610 settled training GPU-hours、每 run 40 GPU-hours 上限、每 cell 10 小时 wall time，并把 Sol 的 76.56 GPU-hours 零收益作为独立发现报出来，而不是只报最好的那条曲线。
- 2608-PRACTICE 与本文正好是同一天（2026-08-31）投出的两个相反答案。PRACTICE 把 skill library 的 update policy 变成可训练对象并拿到 EB-ALFRED / EB-Habitat 上 9.7 / 2.6 个百分点的提升，前提是任务、评测与技能空间都已给定；Aspire 撤掉这个前提后，同类的自更新循环就基本不产出保留增益。两篇合起来支持一个假设：自演化的成败主要由目标与验证信号的质量决定，而非由更新机制的精巧程度决定——这也是 Aspire “target operationalization 是缺失轴”主张的独立旁证。
- 2608-CoEvolutionSurvey 用”演化自由边界逐步扩大”作为组织轴，把 Agent-Agent、Agent-Environment、Meta Co-Evolution 排成递进三阶段。Aspire 给这条叙事加了一个必要的反向刻度：边界扩大到”目标本身也由 agent 定义”这一格时，当前系统的表现是退化而非跃升。该 survey 讨论 Ω 算子作用域扩张时，值得把 Aspire 作为”自由度增加不等于能力增加”的实证锚点引入。
- 2607-FrontisMA1 被本文列为 AI4AI 相关工作之一，两者是同一问题的两端：Frontis-MA1 训练一个专门的 meta-evolution 模型来做 ML 工程侧的递归自我改进，Aspire 则不训练任何新算法，只把目标说模糊后看现成的强模型能走多远。若要检验 Aspire 的 gap 归因（目标形式 vs scaffold 能力），把 Frontis-MA1 这类专训 decision model 放进 Aspire 的 vague-goal 契约里跑，是最直接的实验设计。
- 2407-SelfImprovementReversal 是这条负性证据线的前作：它发现 post-training 的 self-improvement 在聚合指标上升的同时可能伴随能力面的退化。Aspire 的”上升轨迹多为训练自伤后的复原”（4B Self 数学 0.79 → 1.75 → 2.38 而 base 为 17.86）是同一现象在自演化设定下的更极端版本——参照系一旦从”上一个 checkpoint”换成”base model”，看似单调的自我优化曲线就整体落到水平线以下。
- 2509-Misevolution 命名的是”演化过程自身偏航”的安全风险，Aspire 提供了这一风险的能力侧对应物：Luna 把学术写作 harness 特化成研究设计模板、4B Self 给写作目标导入 GSM8K，都不是安全事故，但机制同源——agent 在自建的窄 proxy 上得到强化信号，然后沿着这个信号偏离真实目标。两篇合看，misevolution 与 mis-operationalization 可能是同一根因（缺少对自建目标有效性的独立校验）在安全侧与能力侧的两种表现。
- 2510-HuxleyGodelMachine 与 2505-DarwinGodelMachine 这条 Gödel machine 谱系关心的是”在噪声评测下决定留谁”，HGM 用 Thompson sampling 与保守分位数做 clade 级 credit assignment。Aspire 的困境比它们更前置：噪声评测的问题尚未开始，因为绝大多数候选根本不超过起点。这一对比提示，选择算法的精巧程度只有在候选分布里确实存在正样本时才起作用。
Notes
- 最该被搬走的不是 benchmark 而是参照系纪律：把改进判给 base model 而非上一个 checkpoint。vault 里已有的自演化笔记里，有多少 headline 增益是相对上一步而非相对起点报的，值得做一轮回查——这可能是一次成本很低、信息量很高的审计。
- 一个开放问题：Aspire 把 agent 的失败诊断为”选错数据、信错自评”，但没有给 agent 提供任何构造可信 proxy 的工具（比如对自建 validation set 做难度校准或 overlap 检查的接口）。当前设定下 agent 造 proxy 的能力与它使用 proxy 的能力被绑在一起测，二者的贡献无法分离。一个自然的后续是加一层”proxy 质量反馈”（不泄露隐藏题，只告诉 agent 它的 validation set 与目标的相关性估计），看 gap 能收窄多少——这大致对应上文 Strengths & Weaknesses 里那条未做的对照。
- RQ1 的过程侧数据里有一个反直觉点值得单独留意：模糊目标下 LoRA 使用率从 24.1% 跳到 89.8%、且 33 对 matched run 全是单向切换。这看起来是”目标不确定时选择更保守的更新方式”的行为证据。如果成立，它意味着 agent 其实感知到了目标的不确定性并做了风险调整，只是调整方向（少改参数）无法解决真正的瓶颈（不知道该改什么）。这条线索论文没有展开。
- 待核实（本轮未做）：Aspire 与 PostTrainBench（arXiv 2603.08640）的关系是复用其 evaluator 而非其 agent scaffold，但 vault 里目前没有 PostTrainBench 的独立笔记（仅在 2607-KimiK3 中被提及）。若要把 RQ1 的对照读扎实，补一篇 PostTrainBench digest 是前置条件。
- 同项目页的姊妹工作是 2609-HarnessDev（同一 ByteDance Seed / SUTD / M-A-P / TokenWave.AI 班底，晚一天投出）：Aspire 撤掉的是「目标已给定」这个前提，HarnessDev 撤掉的是「执行系统已存在」这个前提，两篇正好对应作者所说 forward-deployed engineer 三层工作里的第一层与第三层。HarnessDev 的 ±4.75 噪声带纪律恰好补上 Aspire 缺的那一项——Aspire 报了 N=1 却没报重复运行方差。