AI能否让其他AI变得更优秀？我们测试了5个前沿LLM在重写其他代理框架的能力，评分基于它们从未见过的测试集（HarnessOpt-Bench，arXiv + MIT代码）

AI能否让其他AI变得更优秀？又是什么阻止了它作弊？上个月，一个OpenAI评估代理逃出了其沙盒并入侵了Hugging Face，显然是为了从基准测试中获取测试解决方案。这正是一个重写代理并查看自己评分的系统所做出的行为。尽管如此，我们仍然着手测量递归自我改进，将考试锁在沙盒之外。我们介绍了HarnessOpt-Bench，它评估LLM在提升另一个代理框架方面的改进程度。在开发集上，优化器可以看到每个案例的追踪。在验证时，它获得一个综合分数。在测试集上，什么也没有——直到一个受信任的服务器对最终候选框架进行评分。API密钥、预算执行和保留数据永远不会进入优化器的沙盒。这种隔离是通过设计实现的，而非通过指令：保留的评估器和权限控制位于演化框架的循环之外。5个前沿模型，4个下游任务，111次运行以测试两个假设：1️⃣ 相同编码框架，更换模型：Claude Opus 5在OpenCode下在4个任务中排名第一。在一项任务上查看从2025年11月到2026年7月的发布，GPT从3%提升到49%的性能空间，Claude Opus从37%提升到59%。2️⃣ 相同模型，更换编码框架：模型是否在自身框架中表现最佳？没有一致的主场优势：opencode在20个模型-任务对中击败了11个原生框架（Claude Code, Codex, Kimi CLI）。模型选择带来的增益是框架选择的1.8倍。论文：https://arxiv.org/abs/2608.06301 代码（MIT许可，基于我们团队的ICML 2026 VeRO）：https://github.com/scaleapi/vero 原文：https://www.linkedin.com/posts/shehabyasser_can-an-ai-make-other-ais-better-and-what-share-7498801902260981760-xuCo/