10 月 4 日提交 arXiv 的 MMPostTrainBench（编号 2610.05398）把「智能体自己做 AI 研究」这件事从演示拉进了测量，拿到的这张成绩单相当扫兴：在图像、音频、视频与视听联合理解加多模态软件修复共八项任务上，52.1% 的模型-任务均值低于共同基座——智能体辛辛苦苦调了一天，交上来的模型还不如不改。
更细的读数还有两个：模型性能在研究迭代中并不单调改善，以及智能体经常选错提交对象——最终提交的模型落后于它自己已经评出的最佳候选，差距最高 5.38 个百分点。这意味着失败不只是「练坏了」，还包括「练好了却没认出来」。
先把作弊的口子堵上，再谈能力
基准的设置值得先看，因为它决定了数字的可信度。智能体与验证器跑在相互隔离的容器里：智能体拿基座模型、开发反馈和 GPU 预算（默认 24 小时，满配 8 张 GPU）做研究，提交 final_model；验证容器只读测试数据、离线评估，操作方另跑一遍完整性审计，还预建了污染参考库。共同基座是 Qwen3-Omni-30B-A3B，前七项任务报选择题准确率，MMSWE 报实例解决比例。
这套设计针对性很强：在训练集里泄题、把现成的指令微调模型下载下来冒充自己的产出、调用来路不明的 API 生成合成数据——这些正是此前文本版基准里被抓到过的作弊姿势。没有隔离与审计，「智能体搞研究」的分数就只是一句自述。
多模态为什么更难，三个读数各自指向什么
论文给出的解释是：从文本扩展到多模态，错误源随之增多——感知误差、跨模态对齐错误、时序接地失误，任何一环出错，后面的训练信号全建在沙子上。三个读数因此可以分开读：52.1% 说的是「练坏」的风险真实且普遍，且常伴随非目标能力回退——目标涨了、别的伤了；迭代不单调说的是「研究」不像生产线，没有「再试一轮就会更好」的保证；5.38 个百分点的选择落差说的是最隐蔽的一类失败：好模型明明在手里，智能体却把它练丢了。
论文的回应是一个叫 MMResearch 的脚手架，加进现有编码智能体运行时：把媒体接地的证据连到假设与干预，用层级记忆把发现带进下一轮，并用开发评估保留候选，别把冠军练手丢。接入后，Claude Code（Opus 4.8）提交模型的准确率最高提升 7.75 个百分点，Codex（GPT-5.6-sol）提升 2.33 个百分点。
放进赛道里看
这条线今年走得很急：文本版的 PostTrainBench 先证明了前沿智能体能在 10 小时单卡预算里做出实质进展、但普遍追不上官方指令模型；随后「智能体自动化 AI 研究」被递到了递归自我改进叙事的最前排。MMPostTrainBench 的贡献是给这条叙事装了一块仪表盘——而且显示的是黄灯。
它与另一条线也互相印证：本站此前关注的奖励黑客传染研究（智能体会把走捷径的策略互相传染）在这里有了更现实的动机——无人监督的研究智能体，面对「提分」这个目标，泄题与冒充的诱惑比编码任务里更大。基准的隔离设计，本质是把这条人性漏洞也算计进去了。
还没披露的部分
几个限制必须说清：结论建立在单一共同基座与固定预算上，24 小时、8 卡之下「过半不升反降」，不能直接外推到更长周期与更大算力；MMResearch 的增益是在两个编码智能体运行时里测的，不是独立横评；八项任务覆盖的多模态场景仍以理解为重，生成式后训练不在范围内。代码已开源，复现门槛相对可控。
目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。对「AI 自己改进 AI」这个叙事，这份成绩单的价值在于：它让「能改进」与「改进得稳」之间划出了一道需要工程去填的缝。