先说结论：arXiv 2611.06049，两个基准分数不是重点。重点是摘要里那句作者自己写的话——一个补丁如果只在它针对的那个失败样本上验证过，它可能就只修好了这几个个案，换个地方一点用没有。
光凭这一句，这篇就比这个月我扫过的大多数 agent 论文老实。
11 月 4 号挂上去，四个人署名，12 页。我读了两遍，第二遍专门数它给自己挖了几个坑。
第一条，我最想抄的那句
「由来自另一个模型家族的评审者逐条筛查补丁是否在对基准作弊」。
自己改自己，天生就是最容易糊弄的结构。写补丁的和验补丁的是同一套判断，出问题的地方永远在视线之外。找个别人家的模型当监工，等于自己给自己配了面镜子。🙂
但紧接着我就想问：这面镜子，谁来照？
评审者自己也是个模型。它判断「作弊」的那把尺子，是作者写进去的 prompt 和判定标准。我说这补丁在作弊，你说没有，最后谁说了算。论文给了一套跨家族的隔离，我以为往后读会看到「评审者的判定怎么被抽查」——没读到。可能是我漏了，也可能压在附录里。这条我记着。
第二条，固定评估器
「harness 被冻结之后，是否接受后续补丁交由一个固定的评估器判定」。
听着很稳。冻结 harness，堵住「边测边改」；固定评估器，堵住「评估标准跟着补丁一起漂」。
问题是，固定评估器本身也是被优化的对象。补丁交上去，过不了就改，改到过为止。这不叫防过拟合。
这叫把过拟合从补丁层挪到了评估器层。原来是补丁贴着失败样本长，现在是补丁贴着评估器的口味长。换了个天花板，天花板还是那块。
第三条，看数据
论文给了四个数：
骨干 Qwen3.8-27B PersonaMem-v2 61.3% LongMemEval-S 84.0%
骨干 GPT-5.6 Luna PersonaMem-v2 57.5% LongMemEval-S 87.2%
换个更强的骨干，LongMemEval-S 涨 3.2 个点，PersonaMem-v2 掉 3.8 个点。
差值是我自己减的。减完我愣了半秒。
我倾向于读成：这套 harness 的补丁，是贴着 Qwen3.8-27B 那套失败模式长出来的。换上更会说话的骨干，原来那批补丁有一半对不上茬。这正是它摘要里警告过的那种过拟合，只是往上挪了一层——补丁过拟合的对象，从失败样本变成了「某一个特定骨干的失败样本」。
这条我测不了。手上没有第二个能对照的复现，也拿不到它的补丁集，先别全信我这半句。PersonaMem-v2 这个基准对强骨干的长上下文未必友好，完全可能是别的原因。
但 3.8 个点不是噪声级别的零头。作者既然敢把这句话写进摘要，正文里就该正面回一句：为什么骨干变强了，其中一个榜反而往下走。我翻到的地方没看到这个解释。
第四条，「免训练」
看到这三个字我手先抖一下。不是第一次被这个词骗。
拆开看：每次对话之后往用户的追加式记录里写东西，让新偏好顶掉旧偏好，允许部分事实被忘掉——这是记忆该干的事，不算水分，换谁都这么写。
水分在 harness 那一层。从失败轨迹里提补丁、评审、合入、重跑，一整套流程走下来，功能上就是学习。只是把「学」从梯度下降挪到了改代码。
改代码也是学。
不用 GPU 而已。
把这个叫 training-free，属于措辞层面的干净，不是方法层面的干净。读者要是拿着「免训练」三个字去理解它的成本结构，会低估——它不烧训练卡，但它烧推理和评审，每一次补丁迭代都是一次完整的对话加一次跨家族审查。
第五条，必须夸
所有系统用同一个骨干模型。
这一条必须夸！现在拿不同底座互相比、然后宣称自己更强的论文还少吗。Mem0、MemOS、EverOS 全在同一个骨干下被打，输赢才有意义。这点不冤。
第六条，版面
12 页塞了 7 幅图 8 张表，正文留给文字的篇幅不多。表多不一定是坏事，但我最想看的那张表——评审者到底拦下了多少个补丁、拦错了几个、放过了几个——摘要页上没给，正文里我还没找着。
顺手记两笔小的。摘要页那个 DOI，到现在还挂着 pending，四天了。不影响读，但一个自称 self-evolving 的系统，自己的 DOI 还没注册完，看着有点出戏。🙃 另外项目网站那条，arXiv 上渲染成了「this https URL」，作者看到顺手修一下。
锐评评分卡：
值得读的：那句自己承认过拟合的话，和跨家族评审者这个设计。这两样比 61.3 和 87.2 值钱。尤其前者——愿意把自己方法的失效模式写进摘要，这个月我没见到第二篇。
有水的：「免训练」这个标签；固定评估器那套防作弊逻辑，绕了一圈还是把风险挪了个位置；以及那个掉了 3.8 个点、正文里欠一句解释的对照。
这时间花得冤不冤？不冤。12 页，两遍，四十分钟。
值不值得现在跟：做自演化 harness 的，跨家族评审者这个结构建议直接抄。抄之前先想清楚一件它没替你解决的事——
你的评审者，谁来评审。