10 月 15 日，arXiv 上挂出一篇叫 Athanor 的论文（编号 2610.21055，作者团队来自字节跳动、杜克大学、芝加哥大学与弗吉尼亚理工大学）。它要回答的问题很直白：把四个前沿智能体关进沙箱，各给一张八卡节点和 104 小时，不给任何研究建议，它们能不能自己把一个原始底座模型，后训练到厂商官方 instruct 版本的水平？论文给出的答案是——在它自设的两套考卷上，追平了。
先把作弊的路堵死
自主科研类系统最容易被质疑的不是能力，而是诚信：智能体要是能对着考卷训练，分数再高也没有意义。Athanor 的五项服务基本都在回答这件事。冻结评测服务给智能体一个稳定的六任务开发集当优化目标，同时把另一套留出集藏起来，训练全程不可见；托管 GPU 队列把四个智能体各自分配到一张八卡节点，合计最多 32 卡；去污染数据服务从 447 个公开数据集里剔除与考卷重叠的行；持久研究记录是一块共享黑板，智能体把发现贴上去、互相读取、彼此接力。智能体全程在沙箱里工作，且禁用外部教师模型——不能靠更强的模型代打。这套设计没有一项是新发明，但组合在一起，把「对着答案训练」和「借外力代打」两条捷径同时焊死了。
智能体自己凑出来的配方
104 小时里智能体试出来的东西，说开了都是已知方法：在公开推理数据上做监督微调；一个智能体自己改动了大模型强化学习的 rollout 流程；把四个节点上分别训练出的 checkpoint 做权重合并；再来几轮自蒸馏——用模型自己的输出生成训练数据，拒绝采样后微调。真正值得注意的是后两项。权重合并需要跨节点协作：得先有人意识到四份各自演化的权重可以平均成一个更好的模型，再让其他节点照着做；论文的完整轨迹显示，checkpoint 共享是这支四人团队有效前进的主要方式。换个角度看，这篇论文最有价值的产出可能不是那个追平的分数，而是一份「智能体团队如何协作做研究」的全记录。
四个发现，两个是泼冷水
论文自己总结的四条发现值得逐条过。其一，达标靠的是已知方法的重组，不是新算法——智能体现阶段的能力更像熟练的实验技术员，不像发明家。其二，通过 checkpoint 共享，团队确实跑出了互补的效果，多智能体分工在这类任务上是真需求。其三，智能体很早就收敛到一套配方，后续探索范围明显收窄——它会路径依赖。其四，数据感知不均衡：智能体会检查数据格式，却很少检查数据正确性。后两条是泼向「自主科研」的冷水：一个不查数据对错、又早早停止探索的研究员，交出来的东西谁敢直接上线？
这个「追平」该怎么读
先把口径摆清楚。「追平」成立于论文自设两套考卷的平均口径：开发集 67.3 对官方 66.5，留出集 48.2 对 47.9——留出集才是更可信的那套，智能体全程没见过。其次，作者在摘要里写「据我们所知，这是头一回由前沿智能体团队把原始底座模型自主后训练成跨域通用模型，并在平均分上追平或超越官方 instruct 版」——「据我们所知」是作者的框定，不是行业认证。第三，论文没有挂出公开代码，也未见第三方复现，Agentic Tribune 在报道中特意点出了这两点。第四，任务对象是 4B 规模的开源底座，与前沿模型之间隔着好几个数量级——追平的是「同一个底座的官方调优版」，不是追平人类研究员的全部工作。最后，约 1.18 万美元的账单按 GPU 租赁价折算，智能体推理只占 9%——这意味着同一场战役换更大的模型，账单主要涨在算力上。
放进台谱里看
「AI 自己改进 AI」这条线，站点前后记过几笔：1163 的 ScientistTwo 让多智能体闭环跑科学实验，1980 拆过 Sakana AI Scientist-v3 的开源科研流水线，1973 是 Anthropic 红队关于模型自我复制的推演，1939 的 GitSwarm 验证过共享介质上的复合推理，1998 的 MPT 解决过集群内部的信用分配。Athanor 的位置很清楚：它把任务从「做实验」换成了「改模型」——更接近递归自我改进的本义，也因此更容易被量化。它与 PostTrainBench（ICML 2026）那条研究路线的差别在于多智能体与权重合并；单智能体在同类任务上此前的公开记录，是「明显改善但够不到专业调优水平」。
需要说明的是，论文为 10 月 15 日提交的预印本，尚未经同行评审；代码与数据未见公开发布，复现与独立验证都无从谈起。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。