Summary
Atria Dawn Preview 是在一个 744B MoE 基座（论文引用为 Z.ai GLM-5.2）上做 agentic post-training 的模型，配方称作 Verifiable Experience Pipeline——每个训练任务接到真实可执行环境，产出用外部信号核验，只有”任务—轨迹—产物—验证证据”链条完整的经验才进入训练。16 个 benchmark 中 5 项取得所报最高分，但这 5 行里只有 AutomationBench 的竞品数据是齐的，各 benchmark 的 harness 与 judge 互不相同，论文自陈缺项不按零计。真正的独有增量不在模型而在把自身研发过程仪器化：56 名参与者的 769 条任务记录加 agent 日志，量化出”agent 提方案、人做决定”的分工——方法/参数决策中人拿 85.5% 的最终选择权，目标/范围上拿 93.4%。
Problem & Motivation
论文的出发点不是”再涨几个点”，而是一个 benchmark 分数答不了的问题：在一个真实的模型研发项目里，是谁在识别值得做的问题、在候选方法中做选择、解释不确定的结果、决定下一步往哪走？任务级性能只说明 agent 能完成被指派的工作，说明不了它能否推动研究本身前进。
作者把这个问题挂在 recursive self-improvement（RSI）的框架下：更强的模型更好地参与研发，产出更强的后继模型，形成自我强化的循环。他们的判断是这个循环目前并未闭合——§3.2 明确论证，agent 能执行实验、也能起草研究计划，但”实验做完了”不自动告诉你该不该改进路线、回头质疑假设、还是换方向；而且在训练任务上变强不等于在”发展自己的后继者”上变强。于是论文同时做两件事：发布一个模型，以及把这个模型的研发过程本身当作人机协作的案例来量化。
值得先记下的张力：标题叫 “The Dawn of Agentic Superintelligence”，正文 §3.2 与 §5 却系统性地论证 AI 尚不具备自持 RSI 能力、人类判断仍不可替代。正文的分寸感明显强于标题。
Method
Verifiable Experience Pipeline（训练）
核心约束是”经验必须可外部核验”。一次 rollout 中 agent 观察环境状态、选工具、检查工具输出、根据反馈修正动作；最终产出用领域相关的外部信号判定——可执行测试、实验指标、文件与应用状态、几何检查、来源支持，或人定义的判据。随后做 trajectory curation，删掉不完整、自相矛盾、重复或行为无效的样本，保留”任务—轨迹—产物—验证证据”之间的链接；只有链条完整的经验才被吸收为模型的可复用能力。
失败分析反过来驱动任务构造与环境改进：工具选择失当、验证不完整、证据缺失、恢复失败这类反复出现的问题，会催生新的任务与质检项；失败的 run 在结果能被独立确认时也可以当诊断样例用。长流程的记录额外包含起任务、查日志与产物、改执行计划。
需要明说的是：§2.1 全节只有三段散文，没有任何量化信息——不给训练数据规模、不给 RL 算法、不给 compute、不给超参、不给任何 ablation。这一节能支撑的只是”配方的设计意图”，支撑不了”这个配方带来了多少增益”。
评测口径（Appendix B，关键）
Table 1 的 caption 写明结果是”as reported on the official release website”。Appendix B 给了每个 benchmark 的协议，读下来 harness 并不统一：
| 口径问题 | 具体内容 |
|---|---|
| 自建 harness | DeepSearchQA / BrowseComp / WideSearch 三项全部走作者的 in-house harness（search/visit/python 工具、500 步、256K 上下文、64K 输出）；Atria 的 5 项”最高分”里有 2 项落在这组 |
| 各模型 harness 不同 | Workspace-Bench(-Lite)：GPT 系走 Codex，其余模型走 Claude Code。Terminal-Bench 2.1：GPT 系用 Terminus 2；且所报 Claude Opus 5 配置在部分任务上回落到 Opus 4.8 |
| judge 各不相同 | Doubao Seed 2.0 Lite（Workspace-Bench）、glm-5.3（GDPval）、Grok-4.3（JobBench）、GPT-5.5（DeepResearch Bench II）、GPT-5.2（τ³-Bench 的 user simulator 与 judge） |
| 统一 harness 的少数项 | SWE-bench Pro 全部走 OpenHands v1.23.0（断网、抹掉 git history）；SkillsBench 全部走 OpenHands/AgentCompass，79 题，三次取平均；DeepResearch Bench II 全部走 Claude Code，四小时上限 |
两处可留意的利益相关：GDPval 用 glm-5.3 当 judge，而 GLM 5.3 本身是表中的对比模型之一；Atria Dawn 的基座又是同门的 GLM-5.2。
研发过程的仪器化（论文的方法论新意所在）
两条数据源：任务记录——56 名参与者按任务填写的回顾式问卷，覆盖是否用 AI、无 AI 情况下需要多少工时或是否根本不可行、方案由谁提出 / 由谁拍板（分目标与范围、方法与参数、验收标准三类）、最主要的困难如何被推进、AI 产出的处置与修订由谁执行；agent 日志——用于计算每位参与者过去七个日历日的 agent action 总数除以 human prompt 总数。
这个设计里有价值的一点是把”谁提议”和”谁选择”拆开量化，而不是把整个任务粗暴归给人或 AI 一方。局限也来自同一处：所有角色归属与”无 AI 是否可行”都是参与者自评、事后回忆、无对照组、无盲测。
Key Results
1. Benchmark（Table 1，16 项）
| Benchmark | Atria Dawn | DeepSeek V4 Pro 0813 | KIMI K3 | Qwen 3.8 Max | GLM 5.3 | GPT 5.6 sol | Claude Opus 5 |
|---|---|---|---|---|---|---|---|
| AutomationBench | 53.8 | 41.7 | 45.9 | 49.7 | 49.2 | 45.7 | 49.4 |
| BFCL v4 | 77.0 | 71.4 | 69.1 | – | 74.1 | – | – |
| CyberGym | 86.5 | 83.3 | 78.7 | 73.8 | 84.5 | 83.6 | – |
| DeepSearchQA | 96.0 | – | 95.9 | – | 94.7 | 93.2 | – |
| BrowseComp | 92.5 | 83.4 | 91.2 | – | – | 92.2 | 90.8 |
| Workspace-Bench-Lite | 68.2 | 58.1 | 65.8 | 67.4 | 67.7 | 60.5 | 70.1 |
| SkillsBench | 66.4 | 65.0 | 51.9 | 66.7 | 63.3 | 62.5 | 63.7 |
| Workspace-Bench | 65.0 | 55.7 | 60.6 | 63.9 | 63.9 | 56.0 | 65.8 |
| MLE-bench Lite | 86.2 | 86.8 | 85.8 | 81.3 | 80.8 | 88.9 | 88.0 |
| WideSearch | 81.9 | – | 79.6 | 81.9 | 82.7 | 83.3 | – |
| DeepResearch Bench II | 51.1 | 46.6 | 51.3 | 49.2 | 52.7 | 50.7 | 54.1 |
| τ³-Bench Banking | 41.2 | 44.3 | 37.1 | 55.2 | 40.2 | 46.9 | 48.7 |
| Terminal-Bench 2.1 | 78.3 | 78.7 | – | 89.3 | 85.4 | 85.1 | 90.2 |
| GDPval | 1583 | 1517 | 1611 | 1722 | 1667 | 1682 | 1768 |
| SWE-bench Pro | 59.6 | 58.3 | 61.6 | 65.1 | 60.3 | 61.4 | 74.7 |
| JobBench | 50.3 | 54.1 | 54.3 | 52.7 | 58.2 | 45.4 | 68.0 |
“最高分 5 项”的口径要看清。这 5 项是 AutomationBench、BFCL v4、DeepSearchQA、BrowseComp、CyberGym，但：
- 论文明写 “Rankings refer to the available entries in each row; missing results are not treated as zero”。5 行里只有 AutomationBench 七个模型全部有数（领先亚军 Qwen 3.8 Max 4.1 分，是唯一在完整对照下的明确胜出）。BFCL v4 缺 3 个、DeepSearchQA 缺 3 个、BrowseComp 缺 2 个、CyberGym 缺 Claude Opus 5。
- BrowseComp 的 92.5 只比 GPT 5.6 sol 的 92.2 高 0.3 分，且跑在自建 harness 上、未报多次 run 的方差。DeepSearchQA 的 96.0 比 KIMI K3 的 95.9 高 0.1 分。这类”最高分”的判别力接近于零。
- 反过来，落后幅度大的都在长程专业交付与工程执行：SWE-bench Pro 59.6 vs 74.7、JobBench 50.3 vs 68.0、GDPval 1583 vs 1768（均为 Claude Opus 5）、Terminal-Bench 2.1 78.3 vs 90.2、τ³-Bench Banking 41.2 vs 55.2（Qwen 3.8 Max）。论文自己承认 GDPval 与 JobBench “retain the clearest headroom”。
全文没有任何 ablation，也没有基座对照——Verifiable Experience Pipeline 到底买来了什么，表里读不出来。
2. 与基座的对照缺席（本笔记据 Table 1 推算，非论文断言）
论文从不报 GLM-5.2 基座的分数，表中最接近的参照是同门的 GLM 5.3。逐行相减：Atria 在 9 项领先（MLE-bench Lite +5.4、AutomationBench +4.6、SkillsBench +3.1、BFCL v4 +2.9、CyberGym +2.0、DeepSearchQA +1.3、Workspace-Bench +1.1、τ³ Banking +1.0、Workspace-Bench-Lite +0.5），6 项落后（GDPval −84、JobBench −7.9、Terminal-Bench −7.1、DeepResearch Bench II −1.6、WideSearch −0.8、SWE-bench Pro −0.7），BrowseComp 无 GLM 5.3 数据。形状是：search / tool-call / 安全类有增益，terminal 与长程专业交付类反而更弱。但 GLM 5.3 ≠ GLM-5.2，这不是受控消融，只能当一个弱信号读。
3. 769 条任务记录（论文最有信息量的部分）
覆盖率：769 条记录 / 56 名参与者；739 条对”是否用 AI”有明确回答，其中 713 条（96.5%）用了 AI。
- 可行性：455 条”已完成且有可用回答”的 AI 辅助任务中，151 条（33.2%）被自评为”无 AI 则不可行”，来自 56 人中的 27 人。作者据此区分”省下的工时”与”本来根本不会被尝试的工作”。
- 提议 vs 决定：方法与参数决策上，“AI 提议、人选择”是最常见模式，占 55.4%；人在方法/参数上握有 85.5% 的最终选择权，目标/范围 93.4%，验收标准 81.9%；AI 的最终决定份额始终在 6.1%–9.2% 之间。AI 的提议份额随决策类型剧烈变化（目标/范围 16.9% → 方法/参数 55.4%，三倍多的摆幅），但决定份额几乎不动。在那 151 条”无 AI 不可行”的任务里，人选定最终目标的比例反而更高（144/151 = 95.4%）——依赖 AI 的程度并不随 AI 的决策自主性同向移动。
- 卡住之后怎么走：588 条有记录困难的任务中，76.0% 靠人介入推进，23.0% agent 自行恢复，1.0% 未解决。人介入的构成才是关键：补上下文/澄清需求 35.2%、诊断问题或换方法 34.7%，而人直接动手的部分很少——局部编辑 3.2%、接管 0.7%。论文据此说”人的帮助改变 agent 所知的概率，约是改变谁来干活的 18 倍”。
- 产出修订：627 条有明确处置的任务中 354 条（56.5%）经过实质修订；这 354 条里 75.4% 是人给反馈、AI 自己改，19.2% 是人直接编辑。合计 95.9% 的 AI 产出以某种形式进入了交付物，只有 1.0% 被弃用。
- 自主度趋势：2026-08-07 至 09-04，22 人队列（每日 21–22 人有效）的”agent action 数 / human prompt 数”日中位数从 11.0 升到 28.5（每人取过去七个日历日的比值）。论文自己给了正确读法：四分位距同期变宽，移动不均匀；而且既然人仍握有 85.5% 的决定权，这个比值上升意味着每一次人类判断被摊到了更多 agent 动作上，不等于自主性提高。
4. Case study（作者自陈是 selected demonstrations，非平均成功率）
- 天气预报：关闭网络搜索，处理 >100 GB 气象数据，实现 >0.4B 参数的 ViT 类网络，训练 45,000 步，建模 69 个气象变量。图注明写”不报预报精度”。
- GDN decode 优化：从 Triton 切到原生 CUDA，七个代表性 batch size 上基线与候选延迟求和之比为 1.46×；论文自述这是开发期测量，正式 54 个 workload 中 52 个通过但缺完整正式均值，该比值不是最终 benchmark 分数。
- MiniOS：一次记录在案的 run 从空工作区起约 20 分钟构建出含串口 shell、磁盘访问、持久化文件系统与解释器的系统，并跨两次 QEMU 会话验证了持久化与 autorun。
- 另有 CAD（四缸发动机、人形机器人、关节模组、火箭）、报告与 slides 生成、以及隔离环境中的 Web 漏洞诊断—修复—复验。图注同样声明 CAD 视图”不是机械或制造验证”。
Evidence Ledger
| Claim ID | Claim | Type | Source locator | Evidence excerpt | Status |
|---|---|---|---|---|---|
| C1 | 基座为 744B MoE，引用指向 Z.ai GLM-5.2 的 HF model card | number | §1/§2；References “Z.ai (2026)" | "Built on a 744-billion-parameter mixture-of-experts foundation model (Z.ai, 2026)“ | source-verified |
| C2 | 16 项中恰好 5 项取得所报最高分：AutomationBench 53.8 / BFCL v4 77.0 / DeepSearchQA 96.0 / BrowseComp 92.5 / CyberGym 86.5 | sota-novelty | §2.2, Table 1 | ”achieves the highest reported score on five of them”；Table 1 加粗行与此一致 | source-verified |
| C3 | 这 5 行中只有 AutomationBench 竞品数据齐全，其余各有缺项，且论文明说缺项不按零计 | benchmark-setting | Table 1, §2.2 | ”Rankings refer to the available entries in each row; missing results are not treated as zero.” | source-verified |
| C4 | BrowseComp 领先次高的 GPT 5.6 sol（92.2）仅 0.3 分 | number | Table 1 | Atria 92.5（加粗）；GPT 5.6 sol 92.2 | source-verified |
| C5 | DeepSearchQA / BrowseComp / WideSearch 全部使用作者自建 harness | benchmark-setting | Appendix B | ”in-house harness that provides search, visit, and python tools… 256K-token context window” | source-verified |
| C6 | 至少两项 benchmark 的 harness 因模型而异；Terminal-Bench 所报 Claude Opus 5 在部分任务回落到 Opus 4.8 | benchmark-setting | Appendix B | ”GPT models run in Codex, while all other models run in Claude Code”；“Claude Opus 5 configuration falls back to Opus 4.8 on a subset of tasks” | source-verified |
| C7 | judge 模型逐 benchmark 不同（Doubao Seed 2.0 Lite / glm-5.3 / Grok-4.3 / GPT-5.5 / GPT-5.2） | benchmark-setting | Appendix B 各小节 | ”LLM Judge (glm-5.3)”；“Grok-4.3 serves as the LLM judge” | source-verified |
| C8 | 多项落后幅度显著：SWE-bench Pro 59.6 vs 74.7、JobBench 50.3 vs 68.0、GDPval 1583 vs 1768、Terminal-Bench 78.3 vs 90.2、τ³ Banking 41.2 vs 55.2 | number | Table 1 | 加粗项与上述数值一致 | source-verified |
| C9 | 769 条记录 / 56 人；739 条有明确 AI 使用回答，713 条（96.5%）用了 AI | number | §4 | ”Of the 739 tasks with a clear response about AI use, 713 involved AI, or 96.5%.“ | source-verified |
| C10 | 455 条已完成 AI 辅助任务中 151 条（33.2%）自评”无 AI 不可行”，来自 27/56 人 | number | §4.1 | ”151 were reported as infeasible without AI, or 33.2%… from 27 of the 56 participants.” | source-verified |
| C11 | 该数字为回顾式参与者自评（固定 scope/quality/resources），非受控或随机化对照 | causal-mechanism | §4.1 | ”we asked participants in the task review whether they could have completed their own part of the work without AI” | source-verified |
| C12 | 人的最终决定份额：方法/参数 85.5%、目标/范围 93.4%、验收标准 81.9%；AI 最终决定份额在 6.1%–9.2% | number | §4.2 | ”humans made the final choice in 85.5%… AI made the final choice in 9.2%”；“stays between 6.1% and 9.2%“ | source-verified |
| C13 | 55.4% 在 §4.2 同时被用作”AI 提议+人选择”的联合占比与”AI 提议份额”；§6 又以 64.6% 表述 567 条方法与决策中的 AI 提议率 | number | §4.2, §5.1, §6 | “‘AI proposes, human selects’… 55.4%”；“AI’s share of proposals ranges… to 55.4%”；“AI proposed 64.6%“ | source-verified（三处表述在原文中未被调和，见 Notes） |
| C14 | 588 条有困难记录的任务：76.0% 靠人介入、23.0% agent 自恢复、1.0% 未解决；补上下文 35.2%、诊断/换方法 34.7%、局部编辑 3.2%、接管 0.7% | number | §4.3, Figure 9 | ”76.0% moved forward through human intervention… only 1.0%”；“3.2% and takeover at 0.7%“ | source-verified |
| C15 | 627 条中 354 条（56.5%）经实质修订；其中 75.4% 由 AI 依人类反馈改、19.2% 人直接改；95.9% 产出进入交付物 | number | §4.3, Figure 10 | ”354 involved substantive revisions, or 56.5%”；“75.4%… 19.2%… 95.9%“ | source-verified |
| C16 | agent action / human prompt 的日中位数 2026-08-07→09-04 从 11.0 升至 28.5，22 人队列（每日有效 21–22 人），七日滑窗，四分位距同期变宽 | number | §4, Figure 6 | ”rose from 11.0 at the start of the interval to 28.5 at the end”；“21–22 participants each day” | source-verified |
| C17 | GDN 案例 1.46× 为开发期测量；54 个正式 workload 通过 52 个但缺完整正式均值，该比值非最终 benchmark 分数 | number | §2.3 | ”52 of 54 formal workloads have passed, but a complete formal mean is unavailable” | source-verified |
| C18 | 天气案例：关搜索、>100 GB 数据、>0.4B 参数 ViT、45,000 步、69 个气象变量；图注声明不报预报精度 | number | §2.3, Figure 2 caption | ”45,000 steps to model 69 meteorological variables”；“does not report forecast accuracy” | source-verified |
| C19 | MiniOS 案例：空工作区起约 20 分钟，含串口 shell、磁盘访问、持久文件系统与解释器，跨两次 QEMU 会话验证 | number | §2.3 | ”builds MiniOS in approximately 20 minutes… across two QEMU sessions” | source-verified |
| C20 | §2.3 案例自陈为 selected demonstrations 而非平均成功率估计；全文无独立 Limitations 章节 | benchmark-setting | §2.3, 目录 | ”These are selected demonstrations rather than estimates of average task success” | source-verified |
| C21 | Table 1 结果取自 “official release website” | benchmark-setting | Table 1 caption, §2.2 | ”as reported on the official release website” | source-verified |
| C22 | 代码/项目地址位于 arXiv Comments 字段 | license-code | arXiv abs 页 Comments | ”23 pages, 10 figures, this https URL” → github.com/atria-asi/Atria-Dawn-Preview | source-verified |
| C23 | 署名为 Atria Team，Project Lead 为 Honglin Guo 与 Tao Gui，通讯至 fudan.edu.cn；机构 logo 含 ECNU/HIT/CASIA/ISCAS/RUC/Shanghai AI Lab | license-code | 标题区, Appendix A.1 | ”Correspondence: tgui@fudan.edu.cn, qz@fudan.edu.cn” | source-verified |
| C24 | 研发中大量使用 Codex yolo 模式与 Claude Code skip-permissions 模式，权限边界由便利性而非审慎分配决定 | causal-mechanism | §5.2 Open Challenge 4 | ”Convenience, rather than any deliberate allocation of authority, is what set the boundary in practice.” | source-verified |
| C25 | MLE-bench Lite 的 86.2 为 HumanRank 分（Claude Code、12 小时上限），且 Atria 非该项最高分（GPT 5.6 sol 88.9） | number | Table 1, Appendix B | ”Results are reported as HumanRank scores”；Table 1 加粗 GPT 5.6 sol 88.9 | source-verified |
独立 verifier 复核了以上全部 25 条，均为 source-verified。
source-verified仅表示 primary source 确实包含该信息，不表示结果已被独立复现。本笔记中”与 GLM 5.3 的逐行差值”一段为笔者据 Table 1 自行推算，论文未做此对照，不计入 ledger。
Strengths & Weaknesses
把”谁提议”和”谁决定”拆开，是这篇最该被记住的方法论动作。 当下关于”AI 研究员”的讨论几乎都栽在一个粗糙的二分上——任务是 AI 做的还是人做的。这篇用 769 条记录给出的答案是：这个问题本身问错了。AI 的提议份额随决策层级从 16.9%（目标/范围）摆到 55.4%（方法/参数），三倍多的摆幅；而它的最终决定份额从头到尾卡在 6.1%–9.2%。变化的是谁生成选项，不是谁挑选项。更有说服力的是那 151 条”无 AI 不可行”的任务——按朴素直觉，最依赖 AI 的任务应该也是 AI 自主性最高的任务，实际恰好相反，人选定最终目标的比例升到 95.4%。这个反向结果不是作者能轻易编出来的，它对”依赖度 = 自主度”这个隐含假设构成了直接反例。
人介入的构成比频率更有信息量。 76% 的困难靠人推进，听上去像人还在干活；拆开看，35.2% 是补上下文、34.7% 是诊断换法，而真正上手的局部编辑 3.2%、接管 0.7%。稀缺的是判断不是执行。同一逻辑解释了那条容易被误读的曲线：agent action / human prompt 从 11.0 涨到 28.5，作者自己拒绝把它读成”自主性上升”——人的决定权份额没动，所以这条曲线的意思是每一次人类判断现在要穿过更长的 agent 工作链。这恰恰是 §5.2 担心的东西：权威还在人手上，但人已经没法细看自己签字的那条链了。这个”责任—可审查性”剪刀差，比论文里任何 benchmark 数字都更值得带走。
模型那半篇几乎不可用作证据。 §2.1 三段散文，零量化：不给数据量、不给 RL 算法、不给 compute、不给超参。全文零 ablation。最致命的是没有基座对照——论文引用 GLM-5.2 作基座却从不报它的分数，于是 Verifiable Experience Pipeline 到底买来了什么，表里读不出来。我拿同门的 GLM 5.3 做了逐行差值（9 项领先 6 项落后，增益集中在 search/tool-call/安全，terminal 与长程专业交付反而更弱），但 5.3 不是 5.2，这只是弱信号，不能当消融用。
“5 项最高分”经不起细看。 这 5 行里只有 AutomationBench 七个模型全部有数，也只有它的领先幅度（4.1 分）算得上明确；BFCL v4 缺 3 个竞品、DeepSearchQA 缺 3 个、BrowseComp 缺 2 个、CyberGym 缺 Claude Opus 5，而论文明说缺项不按零计——换言之”最高分”是在一个由数据可得性决定的子集上定义的。再加上 DeepSearchQA 领先 0.1 分、BrowseComp 领先 0.3 分且跑在自建 harness 上、无多 run 方差，这两项的判别力接近于零。Appendix B 的诚实反而放大了问题：同模型在不同 benchmark 用不同 harness（Codex vs Claude Code）、judge 换了五个、Terminal-Bench 里”Claude Opus 5”实际上是 Opus 5 与 Opus 4.8 的混合配置。作者愿意把这些写进附录值得肯定，但写清楚了不等于可比。
§4 的方法学天花板要认。 全部角色归属与”无 AI 不可行”都是参与者事后自评，无对照组、无盲测、无 inter-rater 一致性。“无 AI 不可行”尤其难——它要求受访者对一个反事实做估计，而人对”我本来能不能做成”的判断系统性乐观或悲观都不奇怪。分母还一路在变：769 → 739（有明确 AI 回答）→ 455（已完成且可用）→ 588（有困难记录）→ 627（有处置记录），每一步的缺失都没有报告，缺失是否与结果相关无从判断。加上样本是同一家机构、同一个项目、同一个月的 56 个人，外推到别的研发组织是没有依据的。这些不是致命伤，但它把 §4 的结论从”发现”降格为”一个有量化的案例观察”——这也正是作者自己用的措辞（“an initial perspective”）。
标题与正文的落差值得单独记一笔。 叫 “The Dawn of Agentic Superintelligence”，正文 §3.2 与 §5.1 却系统地论证 agent 提的多是研究者已固定方向内的变体、失败教训留在 session 里而没有内化、“在训练任务上变强不等于在发展后继者上变强”。这是一篇结论克制的论文穿了一件不克制的外衣。§5.2 那句关于 Codex yolo 模式与 Claude Code skip-permissions 的自陈——“Convenience, rather than any deliberate allocation of authority, is what set the boundary in practice”——是全文最有价值的一句坦白，也是对整个行业当前实践的准确描述。
对我的用处：§4 的数字可直接作为”人在 agentic 研发回路中的位置”的经验锚点，尤其是提议/决定分离、以及 18:1 的信息型介入 vs 接管比。模型那半篇当作 release note 读即可，不要引用为方法证据。
Mind Map
mindmap root((Atria Dawn)) Problem agent 已参与自身研发 任务级分数答不了谁在做研究决策 RSI 需要研究能力而非任务能力 Method Verifiable Experience Pipeline 任务接可执行环境 外部信号核验产出 轨迹筛除与失败分析回灌 无量化细节无 ablation 基座 744B MoE 引用 GLM-5.2 研发过程仪器化 769 任务记录 56 参与者自评 agent 日志算 action per prompt Results 16 benchmark 中 5 项最高分 仅 AutomationBench 竞品数据齐全 harness 与 judge 逐项不同 缺项不按零计 33.2 percent 自评无 AI 不可行 人最终决定 方法 85.5 目标 93.4 介入以补信息为主 接管仅 0.7 percent action per prompt 由 11.0 升至 28.5
Notes
原文内部不一致（verifier 独立复核确认，非笔记转述错误）：55.4% 在 §4.2 被同时用于两个不同的量——“AI 提议、人选择”这一联合模式在方法/参数决策中的占比，以及”AI 的提议份额”；§5.1 沿用后一种读法（“agents proposed the option in 55.4% of method and parameter decisions”）；而 §6 结论又写”Among 567 reported methods and decisions, AI proposed 64.6%“。若 64.6% 是方法/参数上 AI 的提议总份额，则它与 55.4% 的差（约 9.2 个百分点）恰好等于”AI 最终决定”的份额，逻辑上自洽；但原文从未做这个说明，也没说清 567 这个总体与 §4.2 讨论的方法/参数决策是否同一批。引用这组数字时应写”§4.2 的 55.4% 指 AI 提议+人选择的联合占比”，不要直接当作 AI 提议率。
另一处小算术：§4.3 写 “only 1.0% were not adopted and 3.2% were used for ideas alone, so 95.9% of outputs entered the deliverable”，100 − 1.0 − 3.2 = 95.8，与 95.9 差 0.1，应是底层计数取整所致，不影响结论。
机构归属为推断：论文按 “Atria Team” 署名，无逐作者 affiliation 映射。frontmatter 的 institute 依据是标题区的机构 logo（ECNU、HIT、CASIA、ISCAS、RUC、Shanghai AI Lab）加通讯邮箱（fudan.edu.cn），以及 Appendix A.4 顾问名单的已知单位；具体作者与单位的对应关系原文未给。
与 vault 的连接——第三篇”标题谈 RSI、正文不 claim RSI”的 2026 技术报告：
- 2607-FrontisMA1：本篇 MLE-bench Lite 的 HumanRank 计分法直接引用它（Yang et al., 2026b）。FrontisMA1 同样在 Limitations 中明确不 claim 已实现 RSI，全文只训到 generation 1。
- 2609-NeoHorse1：自陈只跑完一轮 evaluation–selection–update，“递归从未真正发生”。
- 三者合起来是一个值得追的 pattern：2026 年下半年的 RSI 类报告，标题的强度与正文的克制系统性背离，而它们各自缺的都是同一样东西——把”任务能力提升”与”研究能力提升”分开测量的手段。Atria 的 §5.1 把这一点说得最清楚（“progress on general benchmarks does not reveal the research capabilities”），却也同样没有提出测量方案。这正是一个空白：能否设计一个直接测”研究能力增量”而非”任务成绩增量”的评估？
- 9905-MixedInitiative：Horvitz 1999 的 mixed-initiative 原则与本文 §4.2 的”提议/决定分离”是同一结构的两次表述，相隔 27 年。Horvitz 讲的是界面何时该主动、何时该让位；Atria 的数据给出了这个问题在 agentic 研发场景下的经验分布。值得考虑把本篇的数字补进
hci线索。 - 2608-CoEvolutionSurvey、SelfEvolvingAgents-Survey：本篇的 Open Challenge 2（经验停留在 session 内、无法转为内在能力）与该 survey 的核心张力一致，可作为一条来自真实工业研发的经验证据补入。
留待验证的疑问：
- GDPval 用 glm-5.3 作 judge，而 GLM 5.3 既是对比模型、又与 Atria 的基座同门（GLM-5.2）。论文未讨论这一潜在的 judge 偏好问题。Atria 在该项本就落后，所以对结论影响有限，但口径上应当被指出。
- §2.1 说”只有链条完整的经验才进入训练”，但没有给出被筛掉的比例。若 curation 的通过率很低，这个 pipeline 的真实成本（环境搭建 + 验证器构造）可能是它最大的实际门槛，而这恰恰是论文完全没披露的部分。
- code 链接指向
atria-asi/Atria-Dawn-Preview，但正文从未提及该仓库，仅出现在 arXiv Comments 字段。仓库内容（是否放权重、是否放 pipeline 代码）需另行核实——若含实现，本篇符合repo-digest的候选条件。