SIA：同一个循环里，同时改 harness 和改权重
> 量子位技术拆解 · 双杠杆自改进的第一个系统尝试，证据标注为 provisional。完整结构化数据见「速查」tab。
先看一个现象：自改进 AI 研究分成了两条互不往来的线。harness 派（Darwin Gődel Machine、Meta-Harness、Hyperagents）让元 agent 重写任务 agent 的脚手架，但模型权重固定不动；test-time training 派（TTRL、Discover-TTT）用手写 RL 管线在测试时更新权重，但 harness 固定成单一 prompt 模板。Hexo Labs 的这篇论文（arXiv 2605.27276）把两条线接起来：一个 Feedback-Agent 在同一闭环里决定改 harness 还是改权重，系统叫 SIA，作者称它是第一个同时更新 scaffold 与权重的自改进循环。
核心思想：三个 agent，两个杠杆
SIA 由三个角色构成。Meta-Agent 从任务规格 $U$ 与参考实现 $R$ 生成初始 scaffold：$A_1 = M(U, R)$。Task-Specific Agent 在沙箱里执行任务，记录完整轨迹 $\tau_g$（每个 prompt、工具调用、结果、抽取的答案）。Feedback-Agent 读上一代 scaffold $A_g$、轨迹 $\tau_g$ 与指标 $E_g$，每步选择两个动作之一：harness 更新
$$A_{g+1} = F(A_g,\, \tau_g(\pi_\theta),\, E_g,\, U)$$
（scaffold 进化、权重 $\theta$ 固定），或者权重更新——用 RL 更新 LoRA 适配器（rank 32，lr $4\times10^{-5}$）、scaffold 固定。两个动作是软标签而非固定阶段，Feedback-Agent 依据任务类型与奖励动态选择。
关键的设计自由度在 Feedback-Agent 的算法选择：LawBench 上它用了 PPO+GAE（稠密逐实例奖励、需要训练稳定），TriMul 上用了 entropic advantage weighting（稀疏结果、冷启动噪声大），denoising 上用了 GRPO（rollout 廉价）。作者明确说这些是按跨任务观察总结的规律、完整处理 defer 到 v2——这是全篇证据最薄弱、最需要打折读的地方。
调度节奏上，三个任务的 Feedback-Agent 都先跑 scaffold 迭代、等奖励停滞才切权重（图 2 展示了一种 7 步交错序列：H、H、W、H、W、W），说明双杠杆的收益来自「让 harness 先把能挤的都挤出来，再用权重补领域直觉」的分工，而非同时乱动。## 关键结果：双杠杆在三个领域都超过 harness-only
实验覆盖三个对比鲜明的领域，全部以 gpt-oss-120b 为任务基座、Claude Sonnet 4.6 当 Meta/Feedback-Agent。法律：LawBench 191 类中文罪名分类（5,332 训练 / 913 测试），初始 13.5% → harness-only 50.0% → 双杠杆 70.1%，前 SOTA 是 45.0%。harness 阶段把管线重构为 TF-IDF + LinearSVC 并调参，权重阶段用 PPO+GAE 再抬 20.1pp。系统：AlphaEvolve TriMul 的 CUDA kernel（H100，score = 1500/runtime），harness-only 收敛在 12,483µs（1.14×），权重更新后到 1,017µs（14.02×），前 SOTA 是 1,161µs——runtime 再砍 91.9%。生物：MAGIC scRNA-seq denoising（mse norm，越高越好），harness-only 0.241、双杠杆 0.289，前 SOTA 0.240。
论文用消融支撑「两个杠杆各管一段」的机制论断：harness 迭代产出的都是外部基础设施——LawBench 的答案抽取层与 SVC re-ranker、TriMul 的编译错误解析器与计时 harness、denoising 的批量配置驱动——全是软件工程改进；而权重更新产出的是 scaffold 给不出的领域直觉，比如 TriMul 的共享内存 tiling、fp32 寄存器累加、block size 选择，以及 denoising 里那个两行的 np.clip + np.rint（把 imputed 计数取整到非负整数）——第一权重 checkpoint 就引入了所有 harness 轮次都没生成过的结构性变换。因为两个杠杆占据不同变化空间，所以互不饱和。
局限与边界
执行协议上还有一个容易忽略的细节：Task-Specific Agent 在沙箱里只有数据集目录的只读权限与工作目录的读写权限，Meta-Agent 生成初始 scaffold 时会用多样化的任务规格做条件化，避免把脚手架过拟合到单个 benchmark 实例；而 Feedback-Agent 收到的奖励是确定性 verifier 的逐实例打分，三个任务各有一个独立 grader（法律用 held-out 测试集裁判、GPU 用 H100 计时、去噪用 MAGIC 参考 ground truth）。这套「verifier 固定 + 轨迹完整记录」的协议是双杠杆能同时运转的前提——没有可靠的奖励信号，权重更新就没有梯度来源。
局限与边界
作者自己点名了最深的坑：耦合共进化 Goodhart——harness 搜索与 RL 权重更新都对着同一个固定 verifier $V$ 优化，每个 pass 都在重塑另一个 pass 看到的分布，联合不动点是两个互相盲目的优化器的 Nash 均衡，可能在训练 verifier 上很强、扰动任一组件就脆。我们按论文的标注读证据：RL 算法选择是按观察模式描述的（provisional），每任务只有单条报告轨迹、无多随机种子统计；任务覆盖只有 3 个领域；TriMul 的 score=1500/runtime 是代理指标，与 SOTA 比较时基座与预算口径不统一；权重更新的 H100 训练成本没有与收益统一核算。杠杆切换靠「奖励停滞检测」启发式，选择策略本身的学习被列为 future work。
一句话记住这篇
SIA 是第一个让 Feedback-Agent 在同一闭环里动态选择「改 harness」或「改 LoRA 权重」的系统，三个领域都超过 harness-only：LawBench 70.1% vs 45.0% 前 SOTA、TriMul runtime 1,017µs vs 1,161µs、denoising 0.289 vs 0.240。最该记住的是它暴露的边界：双优化器对同一 verifier 的耦合共进化会产出看似很强、一碰就碎的联合不动点——以及证据本身还是 provisional 的。
SIA 是首个在同一闭环里同时进化 harness 与权重的自改进系统：Meta-Agent 生成初始 scaffold，Task-Specific Agent 执行，Feedback-Agent 看轨迹后每步选择『改 harness』还是『用 RL 更新 LoRA 权重』。在三个领域（LawBench top-1 70.1% vs 前 SOTA 45.0%、TriMul 1,017µs vs 1,161µs、scRNA denoising 0.289 vs 0.240）双杠杆都超过 harness-only，但作者自己承认证据是 provisional：RL 算法选择是按观察模式描述的、完整处理 defer 到 v2。
问题
要解决什么：人类是构建与改进 AI 的瓶颈：harness 自进化只改脚手架（权重固定），test-time training 只改权重（harness 固定），两条线互不往来。SIA 要证明一个 Feedback-Agent 能同时操作两个杠杆，让 harness 与权重在同一闭环里联合改进。
为什么 prior work 不够：harness 工作（Darwin Gődel Machine、Meta-Harness、Hyperagents）的脚手架编辑集中在软件工程卫生（解析、重试、分发），带不来基座模型给任何 prompt 都给不出的领域推理；test-time RL（TTRL、Discover-TTT）由人手写 RL 管线，不随任务结构调整。两者单独使用都只触及一半改进空间。
进化循环（搜索空间 → 算子 → 评估 → 选择）
搜索空间（什么被进化）：双杠杆：① scaffold/harness——system prompt、tool-dispatch 逻辑、retry 策略、answer extraction 代码可编辑；② 模型权重 θ——通过 LoRA（rank 32，lr 4×10⁻⁵）在 RL 步骤可更新；基座 gpt-oss-120b 与确定性 verifier（grader）固定，任务规格 U 与参考实现 R 只读。
变异/提案算子：
- Meta-Agent M 从 (U, R) 生成初始 scaffold A1 = M(U, R)
- 执行→分析→改进三步协议：Task-Specific Agent 在沙箱里跑 D 并记录完整轨迹 τ_g；Feedback-Agent F 读 (A_g, τ_g, E_g, U) 产出改进报告与 A_{g+1}
- Feedback-Agent 每步动态选择动作：harness 更新（A_{g+1} = F(A_g, τ_g(π_θ), E_g, U)，权重固定）或权重更新（自选 RL 算法：PPO+GAE / entropic advantage weighting / GRPO，scaffold 固定）
评估方式：确定性 verifier 逐实例算 reward：LawBench 191 类中文罪名分类（5,332 训练 / 913 测试，held-out test-split grader，top-1 准确率）；AlphaEvolve TriMul CUDA kernel（H100 计时，score = 1500/runtime）；MAGIC scRNA-seq denoising（对 ground truth 的 mse norm，∈[0,1] 越高越好）。
选择与归档：无显式种群/归档；以步骤预算为界，Feedback-Agent 凭『奖励动态停滞』启发式从 harness 步骤切到权重步骤（先 harness 后权重）；报告 SIA-H（harness-only 最优）与 SIA-W+H（双杠杆最优）两个操作点；论文自承动作选择策略是 frozen LLM prior，把选择策略本身的学习列为 future work。
自我改进程度：L2 边界：被优化对象同时包含 scaffold 与 LoRA 权重（联合优化），达到『harness 与权重联合更新』；但 Feedback-Agent 自身的决策策略不进化，论文明确说 Meta-RL over action-selection 是 future work，所以严格说停在 L2 的工程实现层。
输入 / 输出
输入
| 名称 | 类型 | 说明 |
|---|
输出
| 名称 | 类型 | 说明 |
|---|
数据集
| 数据 | 规模 | 备注 |
|---|
架构（摘要）
主干与结构
backbone：
参数：
类型：
→ 详见 Architecture tab。
关键结果
| 指标 | 值 | 最强 baseline | setup |
|---|---|---|---|
| LawBench top-1 准确率（191 类中文罪名分类） | SIA-W+H 70.1% | 前 SOTA 45.0%；SIA-H（harness only）50.0%；初始 13.5% | 5,332 训练 / 913 held-out 测试；gpt-oss-120b + LoRA rank 32；Meta/Feedback-Agent = Claude Sonnet 4.6；权重更新用 PPO+GAE |
| AlphaEvolve TriMul CUDA kernel（score=1500/runtime） | SIA-W+H 1.475（runtime 1,017 µs，14.02×） | 前 SOTA 1.292（1,161 µs）；SIA-H 0.120（12,483 µs，1.14×）；初始 0.105 | H100 GPU，固定输入形状；harness 阶段收敛 12,483µs 后切 entropic advantage weighting 权重更新，runtime 再降 91.9% |
| MAGIC scRNA-seq denoising（mse norm，越高越好） | SIA-W+H 0.289 | 前 SOTA 0.240；SIA-H 0.241；初始 0.048 | 胰腺 scRNA-seq 数据；GRPO 权重更新；首个权重 checkpoint 引入 np.clip+np.rint 两行结构性变换（非负整数取整） |
| 双杠杆 vs harness-only 的消融 | 三任务全部严格超越：+20.1pp（LawBench）、91.9% runtime 缩减（TriMul）、+20%（denoising） | SIA-H（harness only） | 同一任务、同一 verifier、同一基座；仅 Feedback-Agent 的动作序列不同 |
Insights
- 两个杠杆占据不同变化空间：harness 迭代产出外部基础设施（工具、解析器、重试、搜索过程），权重更新产出 scaffold 编码不了的领域直觉（TriMul 的 H100 共享内存 tiling；denoising 的非负整数取整），所以互不饱和（§7.2–7.4）
- Feedback-Agent 的算法选择与任务结构匹配：LawBench 稠密逐实例奖励用 PPO+GAE，TriMul 稀疏结果用 entropic advantage weighting 对抗冷启动噪声，denoising 廉价 rollout 用 GRPO——但作者明确说这些是观察到的模式、完整处理 defer 到 v2
- harness 先收敛、权重再接管：三个任务都先跑 scaffold 迭代到平台（LawBench 50.0%、TriMul 12,483µs）才切权重，『停滞检测 + 杠杆切换』是闭环的实际调度逻辑
- 耦合共进化 Goodhart 风险被作者自己点名：两个优化器对着同一 verifier 优化，联合不动点是对彼此盲目的 Nash 均衡（§8）
vs 同类工作
- vs Hyperagents（最接近的并发工作）：Hyperagents 让 meta-mechanism 规则也可编辑但权重固定；SIA 增加权重杠杆，且 Feedback-Agent 动态选择动作
- vs Darwin Gődel Machine / Meta-Harness：只进化 agent 源码/ harness 图；SIA 在 harness 收敛后继续用 RL 更新 LoRA
- vs TTRL / Discover-TTT：test-time RL 的 harness 固定为单一 prompt-and-grader 模板；SIA 的 rollout 是 scaffolded 的，reward 是确定性 verifier
局限
- 耦合共进化 Goodhart：harness 搜索与 RL 权重更新都优化同一固定 verifier V，联合不动点是两个互相盲目的优化器的 Nash 均衡，可能在训练 verifier 上很强、扰动任一组件就脆（论文自承，§8）
- 证据是 provisional：RL 算法选择（PPO/entropic weighting/GRPO）按跨任务观察模式描述，作者说完整处理 defer 到 v2；每个任务只有单条报告轨迹，无多随机种子统计（我们读出）
- 任务覆盖窄：只有 3 个领域任务；TriMul 用 score=1500/runtime 这种代理指标，且与 SOTA 比较时基座/预算口径不一（我们读出）
- 选择策略是启发式 frozen LLM prior：杠杆切换（停滞检测）未学习，Meta-RL over action-selection 被列为 future work（论文自承）
- 我们读出：权重更新的成本（H100 RL 训练）没有与收益统一核算；『初始 13.5%』来自 Meta-Agent 一次性生成 scaffold 的 gpt-oss-120b，与 45.0% 的前 SOTA 可能用不同基座与预算，跨设置对比需谨慎
可复现性
- code：论文未提供代码仓库；训练基础设施为 Modal（H100）上的 RL 平台
- weights：gpt-oss-120b 基座 + LoRA rank 32（lr 4×10⁻⁵）；Meta/Feedback-Agent = Claude Sonnet 4.6
- sim_benchmark：LawBench（191 类）、AlphaEvolve TriMul（H100）、MAGIC scRNA-seq denoising
SIA 架构：Feedback-Agent 双杠杆选择环
Mermaid 数据流
flowchart TD
U["任务规格 U + 参考实现 R\n+ verifier V（固定）"] --> META["Meta-Agent\n（Claude Sonnet 4.6）"]
META -->|"初始 scaffold A1 = M(U,R)"| TSA["Task-Specific Agent\n（gpt-oss-120b 或 RL 适配 checkpoint）"]
TSA -->|"在沙箱 D 上执行"| TR["完整轨迹 τg + 指标 Eg"]
TR --> FB["Feedback-Agent F\n（Claude Sonnet 4.6）"]
FB -->|"选择：harness 更新"| HU["scaffold 进化\nA_{g+1} = F(A_g, τg(πθ), Eg, U)\n权重固定"]
FB -->|"选择：权重更新"| WU["RL 更新 LoRA（rank 32）\nPPO+GAE / entropic weighting / GRPO\nscaffold 固定"]
HU --> TSA
WU --> TSA
VER["确定性 verifier V\n逐实例 reward"] --> TSA
TR --> VER组件详解
- Meta-Agent：从任务规格与参考实现一次性生成初始 scaffold（system prompt + tool-dispatch 循环 + 输出解析器）。对多样任务规格做条件化，缓解对单实例的过拟合。所有报告分数都以「Meta-Agent scaffold 下的 gpt-oss-120b」为 initial baseline。
设计要点- **逐任务 verifier**：三个任务各有独立 grader——LawBench 用 held-out 测试集裁判、TriMul 用 H100 计时换算、denoising 用 MAGIC 参考 ground truth 算归一化误差；verifier 固定且确定性是权重更新步骤可用的前提。
设计要点
- 执行协议细节：Task-Specific Agent 在沙箱内数据集目录只读、工作目录读写；Feedback-Agent 的改进报告与下一代 agent 是两个显式产物（报告给人类审计，agent 进循环）；Meta-Agent 用多样任务规格条件化生成初始 scaffold，缓解单实例过拟合。奖励全部来自确定性 verifier 的逐实例打分，是权重更新步骤的梯度来源。
设计要点
1. 双杠杆是结构性差异：图里 Feedback-Agent 的分支是 SIA 与 Hyperagents（只改 harness）、TTRL（只改权重）的分水岭——动作空间同时含「代码」与「梯度」。
2. 动态调度：三个任务都是「先 harness 后权重」——Feedback-Agent 检测到 harness 奖励停滞才切换，动作序列是数据驱动的软阶段而非固定管线。
3. 各管一段：harness 编辑产外部基础设施（工具/解析/重试），权重更新产领域直觉（H100 tiling、非负整数取整），变化空间互补、互不饱和。
4. 已知风险：耦合共进化 Goodhart——联合不动点是两个互相盲目的优化器的 Nash 均衡；选择策略本身还是 frozen LLM prior，Meta-RL over selection 是明确的 future work。
SIA 在三个任务上的三档操作点对比
原文 caption：SIA across three diverse tasks. Each panel compares three operating points: Baseline (first generation, no SIA), SIA-H (harness updates only), and SIA-W+H (harness + weight updates), on LawBench Top-1 accuracy, TriMul CUDA speedup, and scRNA-seq denoising mse norm. The dashed line marks the previous state-of-the-art. SIA-W+H strictly outperforms SIA-H on all three tasks.
头条结果图：三个领域里 SIA-W+H 都严格高于 SIA-H，且都越过前 SOTA 虚线（LawBench 70.1% vs 45.0%；TriMul 14.02× vs 1.16×；denoising 0.289 vs 0.240）。读图重点：harness-only（SIA-H）在 TriMul 上几乎没动（1.14×），说明纯脚手架搜索在这类任务上触顶，权重杠杆是增益的真正来源。
SIA 系统架构：三 agent 组成的选择环
原文 caption：SIA system architecture. The Meta-Agent initialises a scaffold from the task specification U and verifier V. The Task-Specific Agent executes inside the Environment, producing a trajectory; the Feedback-Agent analyses the trajectory and selects the next action, either synthesising an improved scaffold (harness update) or triggering a weight update, then feeds the result back to the Task-Specific Agent. The loop repeats until the step budget is exhausted.
架构图：Meta-Agent（初始化 scaffold）、Task-Specific Agent（执行）、Feedback-Agent（选择 harness 或权重动作）三者构成闭环，环境与 verifier 固定。读图回答『与单杠杆工作的区别在哪』：Feedback-Agent 的分支是唯一的决策点，也是 SIA 与 Hyperagents（只改 harness）/TTRL（只改权重）的结构性差异。
LawBench：权重杠杆带来 harness-only 之上的 20.1pp
原文 caption：LawBench results. Top-1 accuracy for Baseline, SIA-H (harness only), and SIA-W+H (harness + weight updates). Dashed line: prior state-of-the-art.
最干净的三段式证据：初始 13.5%（Meta-Agent scaffold + gpt-oss-120b）→ harness-only 50.0%（TF-IDF+LinearSVC 管线，36.5pp）→ 双杠杆 70.1%（PPO+GAE 权重更新，再 +20.1pp）。读图看『harness 先收敛、权重再接管』的节奏：Feedback-Agent 检测到 harness 停滞（50.0% 平台）才切到权重更新，这正是论文所说动态选择而非固定阶段。
SIA：同一个循环里，同时改 harness 和改权重（对话版）
小播：今天聊一篇野心很大的论文——让 AI 在一个循环里同时改自己的外壳和改自己的权重。这个组合以前没人做过。
老播：对，Hexo Labs 的 SIA。自改进研究一直分两派：一派改外壳，一派在测试时用强化学习改权重，两边互不往来。SIA 用一个 Feedback-Agent 把两个杠杆都握在手里，看轨迹后自己决定这步改哪个。三个领域都超过只改外壳的结果，但证据要打折读——作者自己标注了 provisional。
小播：先解释一下，为什么要同时改两样东西？
老播：因为两个杠杆管的事不一样。改外壳——提示词、工具分发逻辑、重试、答案抽取——产出的都是外部基础设施，软件工程意义上的改进。而权重更新能把「领域直觉」写进模型里，这是任何提示词都给不出的。比如后面会讲到，模型在权重更新后自己学会了 GPU 上的内存分块技巧。两件事都不碰，就只优化了一半。
第一段：问题——两条线的裂缝
老播：背景是这样：harness 派，比如达尔文哥德尔机、Meta-Harness、Hyperagents，都是元 agent 改写任务 agent 的脚手架，权重冻住；test-time training 派，比如 TTRL，用手写 RL 管线在测试时更新权重，外壳冻成一个固定模板。两派的共同点：都只动一半。
小播：所以 SIA 的贡献就是补上另一半？
老播：结构上是这样，但它还加了一个决定性的动作——让 Feedback-Agent 自己选。每跑完一代，它读完整轨迹和指标，要么产出一个改进的外壳，要么触发一次权重更新。选哪个、权重更新用哪个强化学习算法，都由它根据任务类型和奖励走势决定。注意三个任务上它选了三种算法：法律分类用了 PPO，GPU 内核用了熵加权，单细胞去噪用了 GRPO。
第二段：机制——三 agent 两杠杆
小播：系统里一共几个角色？
老播：三个。Meta-Agent 负责从任务规格和参考实现生成初始外壳；Task-Specific Agent 拿着外壳去沙箱里执行任务，把每一步都记成轨迹；Feedback-Agent 是大脑，读轨迹和指标，决定下一步改外壳还是改权重。基座是 gpt-oss-120b，权重更新走 LoRA，秩 32，学习率 4 乘 10 的负 5 次方。Meta 和 Feedback 都用的 Claude Sonnet 4.6。
小播：权重更新具体怎么做的？
老播：就是测试时强化学习：verifier 逐实例打分当奖励，rollout 后做梯度更新。关键在算法选择是数据驱动的——法律任务的奖励稠密、每步都能判，用 PPO 加 GAE 求稳定；GPU 内核大部分生成结果要么编译失败要么很差，用熵加权给高奖励 rollout 更多权重，对抗冷启动噪声；去噪任务的 rollout 便宜，用 GRPO。
小播：那 Feedback-Agent 怎么决定什么时候切换？
老播：论文里三个任务都是同一种节奏：先跑外壳迭代，改到奖励停滞——法律分类停在 50%，GPU 内核停在 1 万 2 千微秒——才切到权重更新。作者叫它「停滞检测加杠杆切换」，但注意，这套调度策略本身没有学习，是固定的启发式，这是后面要批评的点。
第三段：关键结果——三个领域的数据
小播：好，上数据。三个领域各是什么情况？
老播：法律：LawBench，191 类中文罪名分类，训练 5332 条、测试 913 条。初始只有 13.5%，外壳迭代把它抬到 50%，前 SOTA 是 45%；再上权重更新，70.1%。GPU：AlphaEvolve 的 TriMul 内核，在 H100 上优化，分数是 1500 除以运行时间。外壳迭代只到 1 万 2 千 483 微秒，1.14 倍；权重更新后 1017 微秒，14 倍，前 SOTA 是 1161 微秒。单细胞去噪：MAGIC 的指标是 mse norm，越高越好，外壳 0.241，权重后 0.289，前 SOTA 0.240。
小播：三个都过了前 SOTA，而且都超过只改外壳。权重那一杠杆贡献到底在哪？
老播：这就是论文最想展示的机制证据。GPU 那边，权重更新后模型内化的是 H100 特有的设计模式——共享内存分块、fp32 寄存器累加、块大小选择，这些是写进任何提示词都带不出来的知识。去噪那边更典型：第一个权重 checkpoint 就引入了一个两行的后处理，把预测值取整成非负整数——一个生物学上显然正确、但所有外壳迭代都没生成过的结构性变换。作者说，这就是「外部外壳」和「内部参数」各自占据不同变化空间的证据，所以两个杠杆不饱和。
第四段：局限与争议
小播：你开头说证据要打折读，打折在哪？
老播：作者自己点了最深的坑：耦合共进化 Goodhart。外壳搜索和权重更新都对着同一个 verifier 优化，一个在重塑另一个看到的分布——联合不动点是两个互相盲目的优化器的纳什均衡，可能在训练用的 verifier 上很强，一扰动就碎。这是双杠杆系统特有的风险，标准 Goodhart 分析都不覆盖。
小播：那「provisional」具体指什么？
老播：RL 算法选择是作者按跨任务观察总结的规律，不是受控实验，完整处理明确说 defer 到 v2。每个任务只有一条报告轨迹，没有多随机种子统计。任务覆盖只有三个领域。而且 TriMul 用的是「1500 除以运行时间」这种代理分数，跟别人家的 SOTA 比较时，基座和预算口径也不统一。还有一条我们读出来的：权重更新的训练成本没有和收益一起核算——你在 H100 上烧了多少 GPU 小时换这 20 个点，论文没给账。
小播：那它的贡献该怎么定位？
老播：一个双杠杆自改进的可行性证明加机制假说。它证明了「同一个循环里既改外壳又改权重」能跑通、能超过单杠杆，也证明了两个杠杆各管一段。但调度策略是启发式、算法选择是观察报告、证据是单次轨迹——读结论时请把这些限定带上。
收尾：一句话记住这篇
小播：最后用一句话总结？
老播：SIA 让 Feedback-Agent 在同一闭环里动态选择改 harness 还是改 LoRA 权重，三个领域全部超过 harness-only 和前 SOTA：法律 70.1% 对 45.0%，GPU 内核 1017 微秒对 1161 微秒，去噪 0.289 对 0.240。
小播：最该记住的数字呢？
老播：GPU 内核从 1 万 2 千 483 微秒到 1017 微秒——外壳迭代只做到 1.14 倍，权重更新一口气砍掉 91.9% 的运行时间。这个数字最直观地说明：当任务需要「模型内部的直觉」时，改外壳是有天花板的，而 SIA 是少数同时碰两个杠杆的工作之一。