10 月 15 日，arXiv 同时挂出两篇论文，给「AI 自己做科研」这个叙事量出了两层体温。Athanor（编号 2610.21055）那边，四个 Claude Opus 5.5 智能体在沙箱里跑了 104 小时，把 Qwen3-4B-Base 后训练到与阿里官方 instruct 版平均持平的分数，全程约 1.18 万美元。SciΠvot（2610.21082）这边，一套从真实科研纠正记录里长出来的 248 道考题显示：五个前沿模型里四个，在关键科研判断上低于随机水平。同一天，NVIDIA 公开了给智能体备底座的 midtraining 配方；四天前，Anthropic 联合创始人 Jack Clark 把「完整递归自我改进更可能在 2027 年发生」写进了个人通讯。智能体进实验室这件事，该拆成三层来读。
执行层：过关，而且有了价格标签
先看过得不错的那层。Athanor 的 104 小时里，智能体自己选数据、自己写训练算法、自己调超参，最后靠已知方法的重组——监督微调、一个智能体改动的强化学习 rollout、跨节点权重合并、自蒸馏——把留出集分数从 9.2 拉到 48.2，追平官方 instruct 版的 47.9。比分数更重要的是账单：3,086 GPU 小时、约 1.18 万美元，其中智能体推理只占 9%。执行层的成本结构头一回被摆上桌——跑一次「智能体做后训练」的战役，钱主要花在算力上，模型调用是零头。站点此前的记录可以并排看：1163 的 ScientistTwo 让多智能体闭环跑完了科学实验，1980 拆过开源的 AI Scientist 科研流水线，1973 是 Anthropic 红队对模型自我复制的推演——那一轮还在论证「能不能」，这一周开始报「多少钱」。
判断层：没过线，而且姿势难看
另一层是凉的。SciΠvot 的 248 道题全部来自资深研究员的真实纠正瞬间：每个案例里，智能体只能在「自己原来的计划」和「人类纠正后的版本」之间二选一。结果是中等推理力度下，模型系统性地偏袒自己的原案；五个前沿模型四个低于随机；全场最好 63.5%，人类新研究员 73.4%——注意输给的是新人线，不是专家线。更反直觉的是，中等力度下给模型看完整项目记录，分数反而更低。把两层叠起来，「智能体自主科研」的画像就精确了：它能连轴做实验，但「该不该换个方向」这个问题，目前还得人来按头。自主科研系统的实际上限，大约是一名熟练的高级实验技术员。
探索层：一盆 5 月的冷水，这周被重新翻出
还有一层更冷，证据来自一篇 5 月的旧论文（arXiv 2605.17193，9 月修订，四位作者）：多个大模型组成的闭环系统连续跑 200 到 1000 轮之后，会出现「语义坍塌」——语义表示系统性收敛，词汇却在膨胀，看起来很多元。作者测了十余种干预：解码参数、提示设计、智能体组成、激活工程、强化学习，无一可靠恢复语义多样性；机制分析把矛头指向自回归生成的内在属性，而非对齐或从众偏差。这篇旧论文这周被频繁转引，是因为 Athanor 自己的发现正好落在同一个坑里：智能体很早就收敛到一套配方，后续探索范围收窄，而且它们会查数据格式，却很少查数据正确性。一个不查数据对错、又早早停止探索的研究员，交出来的成果谁敢直接用？
Jack Clark 的 2027：一句概率判断，不是倒计时
10 月 12 日的《Import AI》通讯里，Jack Clark 更新了他的判断：完整递归自我改进「更可能发生在 2027 年」，此前他的判断是 2028 年。注意口径——这是主观概率的方向调整，不是宣布门槛已跨过；他在今年早些时候给过的数字是「2027 年底约三成、2028 年底约六成」。两个依据值得单独看：一是近期模型在创造性数学上的进展；二是 P-Zero Research 的 TasteVal 基准——据 NDTV 等媒体转述，该基准用八个真实 AI 研发任务考「研究品味」，对照来自 OpenAI、Google DeepMind、NVIDIA、微软研究院等机构的 24 位人类专家，结论是最佳模型以约三十分之一的单次成本超过人类基线，且「研究品味」约每三个月翻倍。但 TasteVal 考的是「做实验与读结果」那一段，不包含「选什么问题」——恰好是 SciΠvot 量出的短板。两个信息源拼在一起，比任何单边叙事都更接近真实进度。
为什么是现在，而不是去年
三个条件在这周同时就位。执行侧，成本坍缩到一辆二手车的价钱（Athanor 的 1.18 万美元），智能体做研究的单次试错变得可负担。工程侧，harness、MCP、沙箱与评估协议在过去一年长成了基础设施——同周的 AWS 九阶段框架（见本期 2009）和四款管理台（见本期 2010），都在给这支舰队补地面勤务。底座侧，NVIDIA 把 midtraining 配方公开（见本期 2007），等于把「怎么让底座更适合智能体后训练」这门手艺交了出来。再加上封闭评测成为常识——Athanor 把留出集对智能体全程藏起来——「智能体做科研」头一回同时具备了可负担的成本、可复用的工具和可验证的诚信设计。
三盆该浇的冷水
头一盆，复现缺失：Athanor 没有挂出公开代码，也未见第三方复现，「追平」是论文作者的口径，预印本未经同行评审。另一盆，规模差：追平的是同一个 4B 底座的官方调优版，与前沿模型之间的差距这篇论文没有触碰，「平均持平」也不等于逐项打平。还有一盆，选择偏差：SciΠvot 只从「人类纠正过」的瞬间出题，日常的顺利判断没有被采样——它测的是纠错时刻，不是平均水平。另外，语义坍塌那篇是 5 月的旧论文，作为背景证据有力，作为本周新闻不够新。
三个观察哨
往下盯三件事。其一，密封留出集加公开代码，会不会成为自主科研类论文的标配——这是诚信设计的入场券，也是复现的前提。其二，下一张账单：同类战役跑一次多少钱，成本曲线比单次分数更能说明这门生意离规模化还有多远。其三，判断层基准的复测曲线：SciΠvot 类基准上，模型分数什么时候摸到人类新人线——那条线被摸到，「高级实验技术员」的定位才真的会松动。在那之前，智能体进实验室的叙事，请把「执行」和「判断」分开说。
站点这条线的旧账可以一并翻：1163 的自主科研闭环、1980 的科研流水线开源、1973 的自我复制推演、1939 的共享介质复合推理、1998 的集群信用分配，加上本期的 2005 到 2008——智能体改进智能体这件事，正从思想实验变成有账单、有基准、有审计协议的工程学科。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。