先说结论：arXiv:2610.29121，十月二十一号凌晨挂的，九页，三张图，158 KB，标题《Recursive Self-Improvement on a Budget》。「Budget」和「Recursive Self-Improvement」挤在同一行，我第一反应是等着看它怎么圆。
圆得比我想的好。
但真正该盯的不是摘要里那些漂亮话，是 Claude Sonnet 4.5 那一行：86.6 对 86.5。
0.1 个百分点。留出集 100 个实例。一个实例就是一分。
我再说一遍，一个实例就是一分。
先照一照这个 0.1
论文的规矩是：所有方法走同一条返回规则，在已评测节点里挑 steering 求解计数最高的那个，并列取最早出现的。steering 子集在 HumanEval+ 上留 48 个实例，Polyglot 上留 64 个，剩下 100 和 145 做留出。
这就有意思了。你的选择器在 48 个实例上做 argmax，然后拿到 100 个实例上算分。48 个实例上计数差一格，argmax 就可能整个换人。换个节点，留出分上下一两分，属于正常呼吸。
在这个底盘上，86.6 和 86.5 的差距是一句「差不多」。作者没给置信区间，表里也没有重复实验的方差——十二次 GPT-4o 的运行倒是提了，Sonnet 那边只有单点数字。
单点数字配 100 个实例，写出来当卖点。这就是拿噪声当信号用。
这波，水分不小。
同一边还有两个数更值得看。父代求解率消融 85.3，校准最优编辑 85.1。把候选 diff 那八个坐标全扔掉、只拿父代的 steering 求解率去打分，你只掉 1.3 分；干脆不搜了、直接从 96 条编辑里挑拟合集标签最好的那条，你只掉 1.5 分。
1.3 分，在 100 个实例上是一点三个实例。
八个坐标，一个线性读出器，整套 Thompson 采样抽父代、四节点归档、冻结系数拟合的流程，买到一点三个实例。
我不敢说这是零。我只敢说，这个量级还没爬出噪声地平线。
那 96 条样本花在哪
官方框架里那个「Budget」，我给它算一遍账。
96 edits × 4 evals × 16 instances = 6144 次实例级执行
这 6144 次，是纯为拟合读出器烧掉的，还没算搜索本身要跑的评测。HumanEval+ 全套一百多个实例，这个量相当于把整个测试集从头到尾刷了接近六十遍，只为了让九个系数落位。
你说这叫「预算内」，那得看跟谁比。跟那些动辄几十万美元算力的自我改进实验比，确实省；跟自己写条启发式规则去挑编辑比，一点都不省。
账本这东西，不写清楚「相对于什么便宜」，就是文案。
该给的分得给
骂完说点正面的，不然这篇就成宣泄了。
最干净的一处是系数的处理方式：在 96 条样本上拟合完，系数直接冻结，后面不再动。这一手看着朴素，实际很关键——很多自我改进的工作死在「评测集被搜进去了」，读起来头头是道，复现出来全是泄漏。冻结系数等于自己给自己上锁，锁住最容易作弊的那条路。这一点我认。
另一处是校准最优编辑这个基线设得对。它逼着方法去证明「搜索」本身有价值，而不是「我恰好从 96 条里挑出了一条好的」。这个对照不做，整篇的说服力基本归零。
然后看 GPT-4o 那张表：
本文返回节点 87.0%
HGM 选择 85.1%
父代求解率消融 84.2%
校准最优编辑 82.8%
根 scaffold 81.2%
87.0 对 82.8，4.2 分。四个多实例的差距，是我愿意承认「有效」的量级。
所以问题来了。同一个方法，在 GPT-4o 上赢校准编辑 4.2 分，在 Sonnet 4.5 上只赢 1.5 分。
作者把这条写成「在两个模型上均优于基线」。这话没错，但它把最重要的趋势盖住了。
方法的价值随底座变强而缩水。 这才是这组数字在说的事。底座自己越会改 scaffold，那个用八个坐标猜好坏的廉价读出器就越没东西可猜。把 Sonnet 换成明年更强的模型，这条线是往下走的，不是往上。
我不认为这是缺陷。我认为这是这篇论文真正的发现，而它没被当成发现写出来。
顺手一提
那个归档，容量四个节点。一套挂着「Recursive Self-Improvement」名号的方法，能做谱系比较的历史只有四个位置。够用，但这数字摆在标题下面，反差感拉得有点大。
DOI 那条：预印本已分配 10.48550/arXiv.2610.29121，DataCite 注册还在等。流程状态，不是技术问题，提一句只是提醒各位——现在是 v1，别当定稿引用。
九页，三张图。篇幅我没意见。这年头能九页把方法说清楚的，比三十页说车轱辘话的强。
锐评评分卡
这篇值不值得读： 值得，但带着计算器读。方法本身干净，冻结系数、基线设置、返回规则统一，这几处挑不出毛病。问题全在写法：0.1 分的差距和 4.2 分的差距用同一句话概括过去，读者不看表根本发现不了趋势是反的。
这钱花得冤不冤： 不冤。它没骗你，它只是没告诉你哪个数该信。
值不值得现在跟： 奔着「便宜地做 scaffold 搜索」去，跟。奔着「自我进化」去，先别——四个节点的归档加一个八维线性读出器，离那个词还差着好几个身位。等 v2，看作者会不会把 Sonnet 那行的方差补上。补上了，我们再来聊这 0.1 到底是不是 0.1。
（这条我留着没测完：steering 子集那 48 和 64 个实例怎么从全集里切出来的，正文只给数字，没给切法。切法要是跟拟合集有重叠，前面那点体面就全没了。先记一笔，不改结论。）