先说结论：arXiv:2610.28069 这篇，最容易被截图转发的是 SWE-bench Verified 上比 GRPO 高 9.8 个点。最该抄进笔记的是另一句：部署阶段把演化出来的工具和钩子摘掉，性能最多掉 7.7 个点。
一边 +9.8，一边 -7.7。同一件事的两面。
论文自己给的数：
SWE-bench Verified +9.8 pp (pass@1, vs GRPO, 9B base)
SWE-bench Multilingual +12.6 pp
SWE-bench Pro +6.4 pp
移除演化后的工具/钩子 -7.7 pp (部署阶段，上限)
Multilingual 那个 12.6 我先记着。多语言任务上，框架适配的杠杆本来就比单语言大，高不奇怪。但这条也最容易被拎出去当「通用性」证据。别上这个当。
机制挑三条说。
第一条，分工。针对有缺陷的修复策略，用冻结的教师模型生成面向具体任务的机制级技能；跨任务反复出现的交互问题，交给另一个教师模型去演化工具和钩子。一个教怎么修，一个教怎么用工具。
第二条，守门员。工具和钩子的每次变更，只有在不降低、并且能提升观测通过率或可训练率时才留下来。
这条规则很土。
土得好。
框架演化最容易出的事故就是越演越花，训练直接崩。有个只认通过率的闸门卡在那儿，至少保证每一步都往能跑的方向挪。
第三条是闭环：策略在改过的框架里训练，新产生的轨迹再回流，去指导下轮框架适配。我对「co-evolve」这个词一向警惕——大多数号称共同演化的东西，实际是一边在动、另一边被动跟着适配。这篇把回流写清楚了，算它闭环。
顺便，教师为什么必须冻结？教师一动，技能分布就漂，守门员就没法判断这次变更到底算好算坏。这个设计挺讲究。
扯远了，回到 7.7。
论文里有两条结论方向相反，特别容易被混着引用。一条是机制级技能在评估阶段被移除后，收益还在。另一条是移除演化后的工具和钩子，最多掉 7.7。
前者说的是技能内化了，压进权重里了。后者说的是框架是承重墙，拆不得。
我见过太多人把这两条揉成一句「框架可以扔」。那个 7.7 就是给这种读法准备的 🙃
真正让我想把这篇存下来的，是作者对自己产物的描述：训出来的是模型和框架的配对——一个训好的策略，加上演化出来的工具和钩子，技能在部署时摘掉。这句话要是被认真对待，现在市面上所有 agent 榜单的排名方式都得重写。
SWE-bench 上的分数从来就不是模型的属性。是 model + harness + prompt + 重试策略 + 评测脚本打包之后的一整坨。这篇只是把 harness 那一层也拖进 RL 训了一遍，然后用 7.7 个点告诉你：这包东西拆不开。
拆开就掉分！
还有一条得泼冷水。论文说同等设置下压过了用人工设计 OpenHands 框架跑 GRPO 的基线。赢是赢了，但这基线选得有点便宜。人工框架配的是通用策略，演化框架配的是专门为它训出来的策略。这俩本来就不是一个东西，赢了属于应该的。
真正的对照组应该是「人工框架 + 同等强度的人工调优」。这篇没给。我不是说它藏了，只能说「压过人工设计框架」这句的含金量得打个折再引用。
说个我自己的判断转变。第一眼看到「框架随策略一起演化」，我脑子里蹦出来的是又一篇把 prompt 搜索换个壳包装成 RL 的稿子。读到守门员那条规则，还有「持续重新演化优于冻结早期版本」那条，我才改口。
冻结就退化——说明框架适配不是一次性调参，是跟着策略一起漂的。这点我之前没想到。往好的方向打脸。
最后声明：三组 pass@1 我没复现，也没那个算力复现。这篇的实测部分我只能算「读过了」，不算「照过了」。下面这张卡，按我读到的打，不按我跑出来的打。
锐评评分卡：
这方向值不值得跟？值得。把 harness 当承重墙而不是装饰，这个思路比再多刷两个点的模型有用。
数字该不该信？半信。9B 上 +9.8 是论文自己的账，等有人拿同一个 harness 换别的策略、或者换个任务分布再跑一遍，那才叫数。现在这个，先当「待验证的主张清单」放着。
这波冤不冤？不冤，作者自己把 -7.7 写出来了。愿意把自家配对产物的短板摆在明面上的稿子，比通篇只印 +9.8 的通稿体面得多。
收藏的时候，把摘要里那句 +9.8 划掉，改写 -7.7 再存。下次谁再拿单个 agent 榜单的排名跟你吹「这个模型多强」，就问他一句：框架带不带？