先说结论：arXiv:2610.30429，标题里「Self-Evolving」这四个字，水分最大。真东西在 SECPO 那节，跟“进化”没有半点关系。
官方那句是「self-evolving multi-role agentic collaboration via structural adaptation」。
翻成人话——一条跑起来的 agent 链，一次改一个原子动作。加角色、删角色、改两笔职责、按需现生成一个新角色，改完看结果，好用就留，不好用退回去。
这叫结构搜索！
离散编辑动作组成动作空间，策略是学出来的。这块不丢人，反而是全篇最实的工程部分。但「进化」这词，至少得配个种群、配个变异压力、配个跨代累积吧？它这儿给的是：一条链加一次反事实对照。把“我们做了个搜索”包装成“系统自己长大了”，这届文案的胆子是真大。
4.7 分这个数，别急着抄进 PPT。
官方说：「七个基准取得最优平均成绩，比最强对比方法高出 4.7 分」。
三个多跳问答基准的 F1 优势是 3.2 到 7.5，这个我认。剩下的数学推理、网页交互、代码生成，加一个没点名的，四个基准没单独报数。
自己倒推：
七个基准 × 4.7 ≈ 总分差 32.9
三个多跳问答，按中位 5.3 估 ≈ 16.0
剩下四个基准平摊 ≈ 4.2 / 个
真正拉开差距的是问答，其余领域大概只有问答的一半出头。这是我拿平均数反推的，他们把七个数字摊开我更乐意被打脸。
摊开之前，4.7 就只能当 4.7 看。
（有个前提我没法验：四个领域的平均是怎么加的。）
更要命的是“平均”这两个字本身。
多跳问答报 F1，代码生成大概率 pass@1，网页交互多半任务成功率，数学推理是准确率。四个量纲不同的数，加一块除以七，出来一个 4.7。
这 4.7 的可解释性接近于零。它只能证明 RoleFlow 在自己的流水线上总分更高，证明不了它在你那个脏项目里更强。跨基准平均分我向来只当索引看，不当结论用——拿它去写采购申请，那是自己给自己挖坑。
不过 SECPO 那段，我得把前面的话收一收。
轨迹级奖励的毛病同行都懂：一条链跑完，对没对，一个标量分发给整条轨迹里每一个决策。结构改了五处，哪一处真挣到了分？分不出来。分不出来就只能整条链一起奖惩，信用稀释到最后约等于没分。
SECPO 干的事：每次编辑，都在同一链条状态下留一个“不编辑”的对照版本，两版一比，信用只落到跟这次编辑相关的那些 token 上。
单编辑、反事实、精确到 token。三件事拼起来才是它。
难点在“同一链条状态”这个前提。多角色协作的中间状态本来就不稳，采样温度飘一下对照就不成了。🔍 这一层要是真摁住了，这东西比那 4.7 值钱得多——值得单独拎出来读，哪怕你对多智能体这摊事已经烦了。
说句公道话：这次是往好的方向打脸。我预期拉满进来准备骂“又一个换名字的 reward shaping”，结果人家真把信用分配做成了可验证的对照实验。这个我没得骂。
我最不满的一点：全篇没提账单。
按需生成角色意味着角色数不固定，角色数不固定意味着 context 长度不固定。结构越“自演化”，单任务 token 消耗越难看。
分数涨 4.7，账单涨多少？
摘要和主结果那几页我是没找到这个数。一条链多塞两个角色，多两轮工具调用，网页交互那种任务上的延迟基本是翻着上去。这些不报，等于马力测试不看油耗——跑分好看的车你也不敢直接上高速！
第二个想看的数：把 SECPO 换回普通轨迹级奖励，4.7 掉到几分？
这个消融不做，整篇就悬着。没法排除一种更省事的解释——4.7 里有一部分只是“多了几个角色”这件朴素的事带来的，跟反事实信用分配关系不大。这条我暂时只能存疑，等代码或者 v2 摆出来再说，先别信我这半句。
跨执行器泛化，我信一半。
结构如果学到的是“这类任务先查、再校验、最后汇总”这种跟模型无关的套路，能迁移，这条是真本事。如果学到的是某家 executor 长 context 下会自己截断这类调用怪癖，那所谓泛化就是给过拟合换了个好听说法。
论文里报了几个数。但这类结论只能靠第三方复现验，自己报的说服力有限。
锐评评分卡：
- SECPO：真东西。值得读，值得复现，别被标题挡在门外。
- 「Self-Evolving」：超纲。结构搜索不叫进化，扣分。
- 4.7 分平均成绩：跨量纲平均，可解释性低，别当结论抄。
- 成本与消融：缺。缺这两个数，这篇只能算半篇。
- 现在跟不跟：不跟。等它把 token 账和消融补上——补上了这是一篇很难被推翻的工作，补不上就是个图很好看的预印本。
v1 的时间戳是 10 月 21 日 20:37:32，周三晚上八点半，二十来页。这个点还在挂预印本的人，我一般不急着骂。
我要骂的从来只是标题里那四个字。