据 動察 Beating 監測,大型模型智能體常通過更新外部「裝備」(Harness,包含提示詞、記憶、技能與工具)進行自演化。賓夕法尼亞州立大學、UCSC 及亞馬遜等機構發布的最新論文《Harness Updating Is Not Harness Benefit: Disentangling Evolution Capabilities in Self-Evolving LLM Agents》首次將演化過程解耦為演化器的「裝備更新」與執行端的「裝備受益」兩個維度。交叉測試表明,裝備更新能力在模型基礎能力上呈現明顯的「平坦化」特徵。不同模型更新裝備帶來的收益差距最大僅 3.1%,甚至 9B 大小的 Qwen3.5-9B 產出的更新技能在程序結構上已與旗艦級 Claude Opus 4.6 高度等價。這表明開發自演化系統時,無需在演化器角色上耗費高成本模型。
相反,智能體從裝備中獲益的能力呈現「非單調」趨勢。頂級模型表現已接近天花板,而弱模型(如 Qwen3-32B)雖然提升空間最大,實際獲益卻最少。研究指出弱模型存在兩大失效模式。首先是「裝備激活失敗」,弱模型在 SkillsBench 基準中的技能加載率僅為 25.1%,而強模型加載率則高達 96% 左右。其次是「裝備遵循失敗」,隨著長程執行軌跡展開,弱模型的指令遵循度會從加載初期的 0.52 骤降至 0.13。
前沿發現引發了知名 AI 研究員 Elvis Sar(@omarsar0)的強烈共鳴。Elvis Sar 指出自己在編碼智能體與長程任務實驗中觀察到了完全一致的現象:更強大的模型並不總是能演化出更優秀的智能體。本篇論文為智能體系統架構設計提供了重要指引,表明應當將算力預算傾斜給執行智能體,並在智能體訓練中重點強化裝備自主喚醒與長程指令遵循能力。