前沿 LLM 自建评分 harness 迭代爬山优化

2026 年 10 月 25 日，AGI Hunt 报道了一则 Reddit 用户实测：前沿 LLM 可以针对任意目标自主创建任务专用的评分 harness，再根据其评分做迭代爬山优化。测试在帖中所称的 Gemini 4 Argon 上进行，模型按照提示自建 SVG 评分 harness，最终产出约 800 行 SVG，风格化复刻了参考图的构图、配色与细节。帖中给出的关键洞察是，让模型自行设计与验证评分信号，比人手写 eval 更通用，可迁移到任意可验证目标上。上述结论目前仅出自单一用户帖文，尚无独立复现或其他来源佐证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。