henry 发自 凹非寺 量子位 | 公众号 QbitAI
刚刚，闭源 RSI 的钦点严父来了！
开源 AI 基础设施公司 Prime Intellect 在最新的一项研究中提出：
借助多智能体 Harness，可以把监控和具体实现交给更小、更便宜的开源模型，，从而让" AI 开发 AI "变得更便宜，甚至效果更好。
在实验中，他们把 Fable 5、Opus 5、GPT-5.6 Sol、Kimi K3 等 18 个前沿模型，扔进了一场 nanoGPT 优化器速通。
结果，开源权重模型 Kimi K3 搭配 Prime Agent Harness 后，在原始结果页中跑出了 2930 步的成绩。
这不仅超过了 GPT-5.6 Sol 的 3042 步，距离 Claude 的旗舰模型 Opus 5 的 2920 步也只差 10 步。
换句话说，在 AI 研究这件事上，一套由开源模型和 Harness 组成的系统，已经能够超过部分顶级闭源模型，甚至逼近第一梯队。
这一方面开始动摇过去那个最经典的 RSI 剧本：
某个最强闭源模型率先跨过" AI 开发 AI "的临界点，然后不断自我迭代，把其他玩家越甩越远，最终赢家通吃。
另一方面，Prime Intellect 也展示了另一种可能：
模型不一定非得最强，只要底下这套科研机器足够高效，开源模型同样可以靠更高的试错吞吐量追上来。
而这，也进一步展示了 Harness 这类 Agent 编排框架，在 AI4AI、AutoResearch 上的潜力。
这是怎么做到的？
nanoGPT 优化器速通
简单来说，这次 Prime Intellect 的实验，就是让十几个前沿大模型，去速通 Karpathy 那套著名的 nanoGPT 训练任务。
不过先澄清一点。
这次并不比谁能凭空发明一个多么原创的新算法。
Prime Intellect 做的，是直接把 AI 扔进一个目标明确、反馈快速的真实训练任务里，看它能不能像人类研究员一样，不断提出假设、跑实验、看结果，再继续往下改。
Agent 一开始会拿到一份带有 baseline 超参数的训练脚本，同时只得到一个提示：现在这套方案还不够好。
至于哪里能变好，怎么变好，没人告诉它：
究竟是换一种更好的预条件方法，给权重和更新幅度加上限和下限，调整学习率 schedule，让高学习率保持得更久，还是在训练后期加入权重平均，都得靠 Agent 自己一点点试出来。
所以，这些实验到最后都只看一个指标：
用尽可能少的 training steps，把一个 1.24 亿参数 GPT 的验证集 loss 降到 3.28 以下。
为了让大家从同一条起跑线出发，Prime Intellect 把 baseline 定在了 3290 步。
作为参照，目前公开的最好纪录则是人类的 2600 步。
于是呢，整个比赛就变成了从 3290 步出发，看谁能把这个数字压得更低。
压得越低，说明它找到的训练 recipe 越高效，也就越接近顶尖人类研究者已经做到的水平。
具体的，参与测试的包括 Fable 5、Opus 5、GPT-5.6 Sol、Kimi K3、Grok 4.5、GLM 5.2、Muse Spark 1.1、DeepSeek V4 Pro、Grok 4.6、Muse Spark 1.2、Qwen 3.8 等共计 18 个前沿模型。
每次启动之后，Agent 会拿到三样东西：代码仓库、一份规则手册，以及一条目标指令。
实验统一运行在 8 张 H200 上，从这里开始，人类基本退出。
改优化器、写代码、启动训练、比较 loss、判断结果是不是噪声、决定下一轮实验做什么，全都由 Agent 自己完成。
值得一提的是，为了防止它们直接上网抄现成答案，整个过程还被锁进 sandbox，并且彻底断网。
实验验证
最终，Prime Intellect 一共跑了 153 次全自主实验，单次最长持续超过 8 天。
然后，他们先得出了一个多少有点扫兴的结论：
没有任何一次实验，提出了真正意义上的全新方法。
最终有效的那些招数，无论是 normalization、学习率调整、权重平均还是各种 optimizer 技巧，基本都能在已有研究里找到类似思路。
但也正因为大家最后找到的 idea 差不多，另一个现象反而变得更明显：
真正把模型拉开差距的，不是想到什么，而是怎么把它试出来。
这里咱们先放几个结论：
强模型不会轻易把一个 idea 判死刑。
弱模型常常一个 seed 跑差了就放弃，强模型会换 seed、重新消融，甚至等 recipe 变了以后，再把旧方案捡回来重测。
Opus 5 重新调 β 2 后刷出了新纪录，Fable 5 一次重新探测旧方案，又省下了 31 个 steps。
强模型更会处理噪声。
它们会先判断一个小提升到底来自真实改进还是随机波动，再决定值不值得继续烧算力。
甚至有模型发现，同一个 seed 重复跑，loss 也会因为 GPU 非确定性发生变化，随后直接围绕这个现象重做实验流程。
强模型还会自己造工具。
Kimi K3 会自己写实验函数、比较 loss 曲线、恢复 baseline，甚至搭一个小型数值实验室，先验证 Newton-Schulz，再把结论带回真实训练。
而跑得最远的 Fable 5，最终做到 2726 步。
从 3290 步 baseline，到 2600 步的人类纪录，中间一共有 690 步优化空间。
Fable 5 已经吃掉了 564 步，相当于走完其中大约 82%。到这里，这次实验真正有意思的地方才出来。
因为如果十几个模型最后想到的东西都差不多，那么至少在这种研究任务里，idea 本身可能没有大家想象中那么稀缺。
真正影响成绩的，反而是能不能多试几个方向，能不能更快排除错误，能不能抓住那些很弱但真实存在的信号，再把它们一轮轮叠起来。
换句话说，科研能力开始越来越像一个试错吞吐量问题。
而这，也正好解释了 Prime Intellect 为什么接下来把重点放到了 Multi-Agent Harness 上。
既然大量工作都落在写代码、跑实验、盯结果、做验证这些环节，那么就没必要每一步都调用最贵的前沿模型。
可以让更便宜的开源模型负责监控和实现，把真正需要判断的环节留给更强的模型。
这样一来，同样的钱能跑更多实验，同样的实验也能更快跑完。
而当一次试错越来越便宜，AI 科研能力的提升，也就不一定非得等下一个更强的大模型。
把底下这套"试错机器"造得更好，本身就能继续把成绩往上推。
所以 Prime Intellect 下一步还准备把 Speedrun 扩展到训练栈的更多环节，同时继续放大实验规模。
从这个角度看，Multi-Agent Harness 真正想加速的，也不只是 nanoGPT。
它想加速的是 AI 研发本身的迭代速度。
这其实还真有点像 OpenAI 研究员翁家翌之前在 Why Not TV 里提到的一个判断：
对于人类研究员来说，idea 本身往往很便宜。
大家能想到的方向，可能并没有想象中差那么多。
真正拉开差距的是 infra（基础设施）的迭代速度——谁能更快、更稳地验证想法、修 bug、跑实验，谁就能赢。
而放到 AI4AI 里，道理可能也一样。
我们未必需要每一步都让一个极其聪明、极其昂贵的模型亲自下场。
很多时候，真正需要解决的是：
怎么让一个还不错的模型，以足够低的成本，把实验循环跑得足够快。
这时候，便宜的开源模型 +Harness，反而开始显出优势。
而且值得一提的是，在 Kimi K3 的测试中，正是 Prime Intellect 自家的 Prime Agent Harness 给模型提供了一个持久运行的 IPython 内核，让它们可以围绕研究任务，自己搭建和迭代一套工作流。
而这套内核也让 K3 得以在实验中，可以主动推翻自己的假设，从而提高效率。
这件事看起来只是一个小功能，但放到 RSI 里，其实很关键。
因为如果模型的能力短期内没有突然跳升，那么接下来最容易继续扩张的，可能恰恰就是模型外围的科研基础设施。
让它拥有更长时间的工作状态、更顺手的实验工具、更便宜的执行模型，以及能够同时跑更多假设的 Multi-Agent 系统。
最后得到的，不一定是一个突然"智力爆炸"的超级模型。
也可能是一台越来越便宜、越来越快、越来越不知疲倦的 AI 科研机器。
而如果 AI 开发 AI 最终真要进入指数级加速，Prime Intellect 给出的这条路线至少提醒了一件事：
决定速度的，未必只有上面那个模型有多聪明。下面那套让它不断试错的机器，同样重要。
参考链接
[ 1 ] https://www.primeintellect.ai/blog/measuring-autonomous-research
[ 2 ] https://www.primeintellect.ai/blog/prime-agent
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
杨方配资提示：文章来自网络，不代表本站观点。
