你有沒有想過這樣一件事現(xiàn)在市面上那些能寫代碼、能玩游戲、能完成復(fù)雜任務(wù)的AI智能體它們的大腦也就是那個語言模型本身其實一直沒變變的是什么變的是穿在大腦外面的那層衣服。這層衣服有個專業(yè)名字叫做harness**harness智能體執(zhí)行框架/harness**包裹在語言模型外面的一整套可執(zhí)行腳手架包括提示詞、工具調(diào)用邏輯、記憶管理、驗證機制等負(fù)責(zé)把模型的想法轉(zhuǎn)化成能在真實環(huán)境里執(zhí)行的動作。你可以把語言模型想象成一個非常聰明但沒有手腳的大腦而harness就是給這個大腦裝上的四肢、工具箱和操作手冊。同一個大腦穿上不同的工裝干活的效率能差出一大截。這不是夸張后面你會看到同一個模型光是換個harness成績能從18.9分跳到41.4分翻了一倍還多。問題來了現(xiàn)在市面上大部分做法是工程師手動去調(diào)這套工裝。模型升級了工裝往往還是老樣子被當(dāng)成一次性用完就擱在那里的固定資產(chǎn)。有沒有可能讓AI自己去改造這套工裝越用越順手這正是這篇來自香港科技大學(xué)的論文要回答的問題。作者提出了一個叫做**HSIHierarchical Self-Improvement分層自我改進(jìn)**的框架讓一個參數(shù)完全凍結(jié)、不做任何訓(xùn)練更新的語言模型通過不斷重寫自己的harness來實現(xiàn)性能提升。這件事到底難在哪在講HSI具體怎么做之前得先說清楚這條路上已經(jīng)有誰在走走到哪兒卡住了。第一條路叫做**Godel式自我改進(jìn)Godel-style self-improvement****Godel Machine哥德爾機**2003年由Jürgen Schmidhuber提出的理論構(gòu)想指一個能夠修改自己程序包括修改未來修改機制本身的系統(tǒng)前提是每次修改都能被證明會帶來性能提升。這個想法后來被一批工作實現(xiàn)成了真實系統(tǒng)比如Darwin Godel MachineDGM、Huxley-Godel MachineHGM等等。它們讓AI去改自己的決策代碼取得了不錯的效果比如DGM在SWE-bench編程測試上把成績從20%提到了50%。但這些工作動的是模型每一步怎么想的決策邏輯而不是整個執(zhí)行框架。第二條路叫做**harness工程harness engineering**這條路上的代表作是Meta-Harness它把harness優(yōu)化當(dāng)成一個外層搜索問題讓一個更強的設(shè)計師模型比如Claude Opus這種頂級模型去幫一個較弱的模型優(yōu)化工裝。效果確實好但問題也很明顯你永遠(yuǎn)需要一個更強的外部大腦來幫你改造這不算真正的自己動手。第三個問題更麻煩**大家發(fā)現(xiàn)很多號稱AI自我進(jìn)化的成果可能只是測試時算力堆出來的假象**有一篇批判性研究Wang et al., 2026b做了嚴(yán)格對照實驗發(fā)現(xiàn)如果不控制反饋預(yù)算harness進(jìn)化的效果甚至不如簡單地讓模型多試幾次、多采樣幾遍。換句話說很多進(jìn)化其實是多花錢多試偽裝出來的進(jìn)步一旦挪到?jīng)]見過的新任務(wù)上提升幅度只有0.6個百分點幾乎等于沒進(jìn)步。這就像一個學(xué)生考前瘋狂刷了一套題的原題考試成績確實高了但換一套新題立刻現(xiàn)原形這不叫學(xué)會了叫背答案。所以真正的難題是能不能讓一個凍結(jié)的模型靠自己的力量真正學(xué)會改造自己的作戰(zhàn)工裝而且這種改造是能遷移到?jīng)]見過的新任務(wù)上的不是死記硬背HSI是怎么設(shè)計的三層套娃結(jié)構(gòu)HSI的核心想法可以用一句話概括把干活的和改造干活方式的分成不同的層級層層嵌套但最外層永遠(yuǎn)鎖死不動。具體來說同一個凍結(jié)的語言模型M在三個不同的層級上工作。**任務(wù)harness層Task Harness H**直接執(zhí)行任務(wù)的那套工裝包含提示詞、工具、記憶管理等是與環(huán)境實際打交道的那一層。**進(jìn)化器層Evolver**負(fù)責(zé)重寫任務(wù)harness H的那套策略它會選種子、生成候選修改方案、挑選提交版本。**元進(jìn)化器層Meta-Evolver**比進(jìn)化器還高一層它負(fù)責(zé)修改進(jìn)化器怎么進(jìn)化這套策略本身但它自己的執(zhí)行邏輯是寫死的不能再往上改。為什么要設(shè)計成這樣三層而不是讓模型直接無限制地改自己這里就要說到一個很現(xiàn)實的顧慮**無限制的自我修改是危險的**想象一個員工被授權(quán)可以修改公司所有規(guī)章制度包括修改誰有權(quán)修改規(guī)章制度這條規(guī)則本身。如果沒有任何邊界這個員工理論上可以把自己變成不受任何約束的獨裁者公司徹底失控。HSI的解法是設(shè)一道防火墻員工進(jìn)化器可以改具體的工作流程任務(wù)harness上級元進(jìn)化器可以改員工的工作方法論但公司的憲法元進(jìn)化器自己的執(zhí)行邏輯是刻在石頭上的誰都動不了。這就是論文里說的frozen outer anchor凍結(jié)的外層錨點。如果沒有這道錨點自我修改就可能陷入無限遞歸的失控狀態(tài)你永遠(yuǎn)不知道系統(tǒng)下一步會把自己改成什么樣子。三層結(jié)構(gòu)定下來之后整個進(jìn)化流程被拆成五個階段一圈一圈循環(huán)。第一階段是**種子選擇Seed Selection**系統(tǒng)會維護一張不斷累積的進(jìn)化圖譜圖上每個節(jié)點是一個提交過的harness歷史版本標(biāo)注著它拿到的獎勵分?jǐn)?shù)。種子選擇這一步就是從這張圖里挑一個祖先版本圍繞它生成一個結(jié)構(gòu)化的假設(shè)包括為什么選它、期望往哪個方向改進(jìn)、以及一個可以驗證對錯的標(biāo)準(zhǔn)。這一步的巧妙之處在于它把進(jìn)化從瞎改亂試變成了帶著假設(shè)去驗證。你可以類比成一個科學(xué)家做實驗不是隨便調(diào)參數(shù)看運氣而是先說清楚我猜提高這個參數(shù)會讓反應(yīng)更快如果實驗結(jié)果沒變快說明我這個假設(shè)是錯的。如果沒有這個假設(shè)生成的步驟進(jìn)化過程很容易陷入盲目試錯浪費大量計算資源在沒有方向感的修改上。第二階段是**主進(jìn)化Main Evolution**這一步就是真刀真槍去改代碼了。模型會讀取、編輯harness里的提示詞、工具、內(nèi)存管理等各個組件生成若干個候選版本。這里有一條鐵律必須守住叫做**任務(wù)注入接口task-injection interface**不管harness內(nèi)部怎么改它和外部任務(wù)對接的那個接口必須保持不變。這就好比換手機殼不管殼子的花紋、材質(zhì)怎么變手機殼和手機之間的卡扣尺寸必須固定否則殼子和手機裝不到一起去了。有了這個固定接口不同版本之間才能被公平地放在同一條起跑線上比較進(jìn)化版本才能做到熱插拔隨用隨換。第三階段是**提交選擇Commit Selection**這里有個反直覺的設(shè)計系統(tǒng)不是只留下分?jǐn)?shù)最高的那一個候選而是刻意保留一個多樣化的提交池把好幾個不同方向的嘗試都存下來哪怕它們暫時分?jǐn)?shù)不是最高的。原因很簡單如果只認(rèn)死理只留最優(yōu)解一旦這個方向后期走進(jìn)死胡同系統(tǒng)就沒有回頭路可走了。這跟投資組合分散風(fēng)險是一個道理你不會把所有錢壓在一支股票上哪怕它現(xiàn)在漲得最猛因為你不知道明天它會不會跌。第四階段是**元進(jìn)化Meta-Evolution**這是HSI真正區(qū)別于以往工作的地方。前三步一直在改的是具體怎么打這場仗元進(jìn)化改的是怎么打仗的方法論。比如進(jìn)化器學(xué)到一條經(jīng)驗優(yōu)先暴露隱藏的游戲反饋信號比盲目改提示詞更有效這條經(jīng)驗會被寫進(jìn)策略里成為后面所有輪次都能繼承的公共知識而不是每次進(jìn)化都從零開始摸索。第五階段是**最終版本選擇Best-Version Selection**前面幾輪進(jìn)化追求的是多樣性和探索最后這一步反過來專門挑泛化能力最強、在驗證集上表現(xiàn)最穩(wěn)的那個版本導(dǎo)出去做真正的部署評測。實驗怎么驗證這套體系真的有用光有設(shè)計思路不夠得看真刀真槍的實驗數(shù)據(jù)。研究者選擇了一個叫做**BALROG**的基準(zhǔn)測試平臺。**BALROG**一套專門用來測試AI智能體在長周期文字交互游戲中表現(xiàn)的基準(zhǔn)測試集包含BabyAI、BabaIsAI、Crafter、TextWorld、MiniHack、NLE六個環(huán)境難度呈現(xiàn)一個由易到難的自然梯度能測試規(guī)劃、記憶、探索、工具使用等多種能力。為什么選這個平臺做實驗場因為它天然覆蓋了不同難度的任務(wù)而且這些任務(wù)需要智能體持續(xù)維持狀態(tài)、執(zhí)行多步驟推理、通過和環(huán)境交互獲得反饋來調(diào)整行為。這就像考駕照科目一是筆試送分題科目三是路考真本事如果只在筆試上測你永遠(yuǎn)不知道這個人到底能不能真正上路開車。BALROG提供了從送分題到高難度路考的全譜系可以清楚看出harness進(jìn)化到底在哪個難度區(qū)間是有效的、又是在哪個區(qū)間失效的。實驗用的骨干模型是DeepSeek-V4-Flash全程凍結(jié)參數(shù)不動。這里有個很講究的設(shè)計叫做**thinking-on/off推理開關(guān)切換**設(shè)計在真正執(zhí)行任務(wù)的時候系統(tǒng)關(guān)閉模型的深度推理能力只在做harness自我修改的時候打開推理。為什么要這么反著來設(shè)計因為如果任務(wù)執(zhí)行時也開著推理你沒辦法判斷最后的性能提升到底是harness改得好還是僅僅因為模型這次多想了幾步。這個設(shè)計其實是在做一個嚴(yán)格的對照實驗把多花算力多想這個變量死死摁住只讓harness的結(jié)構(gòu)變化來決定成績差異。這就好比測試一輛車換了新輪胎之后跑得快不快你必須保證發(fā)動機功率不能中途偷偷加大否則你測出來的提速到底是輪胎的功勞還是發(fā)動機的功勞根本說不清楚。實驗結(jié)果表格如下重點數(shù)字用加粗標(biāo)出| 模型 | BabyAI | Crafter | TextWorld | MiniHack | NLE | 平均 ||---|---|---|---|---|---|---|| DS-V4-Flash初始harness | 42.0 | 11.6 | 40.0 | 0.8 | 0.0 | 18.9 || DS-V4-Flash HSI元進(jìn)化關(guān)閉 | 77.3 | 36.4 | 46.0 | 5.8 | 0.0 | 33.1 || **DS-V4-Flash HSI元進(jìn)化開啟** | **81.3** | **44.6** | **65.0** | **15.8** | 0.2 | **41.4** |數(shù)字背后是什么意思BabyAI這個環(huán)境初始harness只能拿42分經(jīng)過HSI進(jìn)化之后沖到81.3分接近翻倍。Crafter從11.6分漲到44.6分漲了近4倍。TextWorld從40分漲到65分這個成績甚至超過了Grok-462.9分和Claude-Opus-4.5-Thinking59.0分這些頂級商用模型在原生配置下的表現(xiàn)。請注意參與對比的這些頂級模型是在自己完整的推理能力、原生配置下跑出來的成績而HSI這邊的骨干模型是一個在執(zhí)行階段被關(guān)閉了深度推理的降智版本。一個被削弱了推理能力的模型光靠改造外面的工裝居然能追上甚至反超那些開著全部推理能力的頂級模型這說明harness這層衣服對最終表現(xiàn)的影響被嚴(yán)重低估了。但NLE這一行的數(shù)字很扎眼無論怎么進(jìn)化成績都停留在0到0.2分幾乎紋絲不動。這是本文最重要的發(fā)現(xiàn)之一后面會專門展開講。元進(jìn)化到底有沒有用拆開看前面表格里那兩行元進(jìn)化關(guān)閉和元進(jìn)化開啟的對比其實是一次專門為了檢驗元進(jìn)化器價值而做的消融實驗。去掉元進(jìn)化器之后各項成績都在下滑BabyAI從81.3掉到77.3Crafter從44.6掉到36.4TextWorld從65.0掉到46.0掉了整整19分MiniHack從15.8掉到5.8掉了10分。有意思的是掉幅的分布規(guī)律**TextWorld和MiniHack這兩個harness搜索空間更復(fù)雜的任務(wù)掉幅最大**這說明了一件事當(dāng)問題簡單的時候隨便試試就能碰上不錯的解法元進(jìn)化器錦上添花的作用有限但當(dāng)問題變復(fù)雜、搜索空間變大的時候?qū)W會怎么更好地去搜索這件事本身的價值就凸顯出來了。這就像下棋簡單的殘局你隨便走兩步可能就贏了但復(fù)雜的中盤搏殺光靠臨場直覺不夠你需要一套成體系的戰(zhàn)術(shù)思維來指導(dǎo)每一步棋該往哪個方向想這套戰(zhàn)術(shù)思維就相當(dāng)于元進(jìn)化器學(xué)到的東西。更硬核的考驗換到?jīng)]見過的新題上還行不行前面說的都是同一批題型里抽到不同的具體題目能不能考好這屬于比較寬松的測試。真正嚴(yán)格的測試是完全沒見過的新題型能不能靠已經(jīng)學(xué)到的解題思路蒙對。論文設(shè)計了第二套評測協(xié)議專門在BabaIsAI這個子任務(wù)集合上做**held-out留出測試**具體做法是把BreakStop、GoTo、Make這幾個任務(wù)家族各自切出20%的任務(wù)藏起來進(jìn)化過程全程看不到這部分?jǐn)?shù)據(jù)只用剩下80%去訓(xùn)練harness最后拿藏起來的這20%去檢驗真本事。結(jié)果表格如下| 子任務(wù) | 初始harness | 開發(fā)集最佳 | 測試集最佳元進(jìn)化開 | 測試集最佳元進(jìn)化關(guān) ||---|---|---|---|---|| BreakStop | 0.033 | 1.000 | **0.980** | 1.000 || GoTo | 0.182 | 1.000 | **1.000** | 0.964 || Make | 0.000 | 0.556 | 0.363 | 0.338 |BreakStop和GoTo這兩個偏向?qū)Ш筋惖娜蝿?wù)測試集成績幾乎和開發(fā)集打平說明harness里學(xué)到的東西是真本事不是死記硬背。而Make這個涉及多步驟合成制造的任務(wù)成績明顯掉了一截只有0.36左右。這個對比暴露出一個很樸素但很重要的規(guī)律**導(dǎo)航這類相對結(jié)構(gòu)化、規(guī)則清晰的任務(wù)學(xué)到的技巧容易被總結(jié)成通用規(guī)則能遷移而多步驟制造這種需要長鏈條規(guī)劃的復(fù)雜任務(wù)學(xué)到的技巧更容易和具體場景綁死遷移能力就弱一些。**這就好比學(xué)開車和學(xué)做菜的區(qū)別。學(xué)會了怎么在小區(qū)里倒車入庫換到另一個陌生小區(qū)的車位大概率還是能停進(jìn)去因為倒車這件事的核心規(guī)律打方向盤的時機、后視鏡觀察角度是普適的。但學(xué)會了做一道特定的菜換一種沒做過的食材很多細(xì)節(jié)判斷火候、下料順序就沒法直接套用了因為這道菜的經(jīng)驗里混雜了太多針對這種食材才有效的具體竅門。那道過不去的坎NLE到底怎么回事前面提到NLE環(huán)境上harness進(jìn)化幾乎完全沒起作用得分一直在0附近打轉(zhuǎn)。這不是bug這是這篇論文最誠實也最有價值的一個發(fā)現(xiàn)。論文里給出的解釋是兩條**邊界bound****反饋保真度邊界feedback-fidelity bound**進(jìn)化這件事本質(zhì)上是一個不斷試錯、根據(jù)反饋調(diào)整方向的過程如果環(huán)境給出的反饋信號本身就極其稀疏、模糊、沒什么區(qū)分度進(jìn)化就沒有可以依靠的信號來判斷哪個方向是對的。**骨干能力邊界backbone capability bound**不管你怎么給模型換外面的工裝模型本身的推理能力上限擺在那里工裝再怎么優(yōu)化也沒法讓一個想不明白復(fù)雜決策的大腦突然想明白。NLE這個環(huán)境本身就是一個極其復(fù)雜的roguelike游戲狀態(tài)空間龐大反饋稀疏連初始harness下模型的表現(xiàn)都接近0分。這時候不管怎么改harness模型都沒法從環(huán)境里獲得有意義的成功經(jīng)驗去總結(jié)規(guī)律自然也就無從進(jìn)化。這就像給一個完全不識字的人配一套最先進(jìn)的讀書筆記軟件不管這套軟件的排版、檢索、標(biāo)注功能做得多么精妙這個人依然讀不懂書里寫的是什么。工具再好也彌補不了識字這個前置能力的缺失。這也是為什么這篇論文反復(fù)強調(diào)harness進(jìn)化的價值是放大和重組已有能力而不是無中生有創(chuàng)造能力。**如果不承認(rèn)這個邊界會讓人誤以為自我改進(jìn)可以無限逼近完美但實驗數(shù)據(jù)明確告訴我們事情不是這樣的。**順帶一提這個發(fā)現(xiàn)和另一篇獨立研究Lin et al., 2026b《Harness Updating Is Not Harness Benefit》的結(jié)論高度吻合。那篇研究發(fā)現(xiàn)harness的更新能力和從更新中獲益的能力其實是兩回事中等水平的模型從harness優(yōu)化里獲益最大提升可達(dá)19.3個百分點而能力特別弱的模型反而獲益最小因為它連按照新harness里的指導(dǎo)去執(zhí)行這件事本身都做不好。這不是巧合兩篇論文各自獨立地摸到了同一堵墻。進(jìn)化過程里到底發(fā)生了什么看兩個真實軌跡論文里放了兩張進(jìn)化軌跡圖一張是Crafter這種同分布進(jìn)化的例子一張是BabaIsAI-Make這種留出集進(jìn)化的例子讀起來很有畫面感。Crafter那張圖顯示第一輪進(jìn)化主要是把游戲里原本藏起來的信息暴露出來比如把隱藏的獎勵信號、庫存狀態(tài)結(jié)構(gòu)化地擺到模型面前。這一步帶來了單輪最大的一次跳躍開發(fā)集獎勵從0.166直接跳到0.430漲幅接近2.6倍。到了第三、四輪進(jìn)化方向變得更精細(xì)開始嘗試規(guī)則建議和安全約束這類更專門化的機制第四輪達(dá)到最高點0.578成為最終導(dǎo)出的最佳版本。但第五輪出現(xiàn)了回退說明進(jìn)化不是單調(diào)向上的而是在一個非凸的設(shè)計空間里來回摸索有的分支走對了有的分支走岔了。BabaIsAI-Make那張圖更有意思開發(fā)集獎勵從0.222一路漲到0.556途中經(jīng)歷了單步執(zhí)行改成計劃追蹤、構(gòu)建空間地圖、加入BFS路徑規(guī)劃算法、加入自動推動機制、最后加入跨房間導(dǎo)航能力這五個階段。這里最值得一提的是元進(jìn)化器把LLM負(fù)責(zé)定目標(biāo)BFS負(fù)責(zé)導(dǎo)航這條模式總結(jié)了下來寫進(jìn)了策略里讓后續(xù)的迭代能直接繼承這個分工思路而不需要每次都重新摸索。這個細(xì)節(jié)其實很耐人尋味**模型自己發(fā)現(xiàn)讓語言模型去做它擅長的高層判斷把具體的路徑搜索這種確定性計算任務(wù)交給傳統(tǒng)算法BFS廣度優(yōu)先搜索效率比讓語言模型逐字逐句推理每一步路徑要高得多。**這個發(fā)現(xiàn)本身沒有被人明確教給模型是它在不斷試錯的過程中自己摸索出來的分工方式。這有點像一個剛上任的項目經(jīng)理一開始事事親力親為后來慢慢發(fā)現(xiàn)有些機械性、規(guī)則明確的活兒丟給專門的工具去做更靠譜自己應(yīng)該把精力放在拿主意、定方向上這種角色認(rèn)知的轉(zhuǎn)變往往是團隊效率突然提升的轉(zhuǎn)折點。這篇論文站在誰的肩膀上又指向了哪里這項工作并非憑空出現(xiàn)它站在兩條已經(jīng)走了一段路的研究脈絡(luò)的交匯點上。在Godel式自我改進(jìn)這條線上2003年Schmidhuber提出的Godel Machine理論構(gòu)想到了2025到2026年被一批工作真正實現(xiàn)出來比如2026年的Darwin Godel Machine把自我修改的對象擴展到整個代碼庫用一套基于歸檔的開放式探索機制把編程測試成績從20%提升到50%同年的Huxley-Godel Machine則解決了一個更細(xì)的問題就是怎么判斷一個中間版本到底有沒有繼續(xù)進(jìn)化下去的潛力而不只是看它當(dāng)前分?jǐn)?shù)高不高。在harness工程這條線上2026年的Meta-Harness第一次把harness優(yōu)化當(dāng)作一個可以嚴(yán)格搜索的問題來做但它依賴一個更強的外部模型來當(dāng)設(shè)計師同年的Self-Harness則往前邁了一步讓模型自己給自己改harness不需要借助外部更強模型的幫助。HSI的位置正好卡在這兩條路的交界處它既不像Godel系工作那樣只改模型的決策代碼把范圍局限在小圈子里也不像Meta-Harness那樣依賴外部更強模型而是讓同一個凍結(jié)的模型橫跨執(zhí)行、進(jìn)化、元進(jìn)化三個層級去自己改自己還專門設(shè)計了留出集測試來驗證這不是在作弊。寫在后面讀完這篇論文最觸動我的其實不是那些分?jǐn)?shù)上漲的曲線而是NLE那一行怎么改都是0的數(shù)字。很多講AI自我進(jìn)化的文章都傾向于渲染一種越進(jìn)化越強、無所不能的敘事但這篇論文很誠實地把那道墻擺出來了反饋信號不夠好或者模型本身能力不到位harness再怎么折騰也沒用。這種承認(rèn)邊界的態(tài)度反而比一味鼓吹突破更讓人信服。另一個值得琢磨的細(xì)節(jié)是那個BFS路徑規(guī)劃的自發(fā)涌現(xiàn)。模型在沒人明確教它復(fù)雜計算交給傳統(tǒng)算法這條原則的情況下自己在試錯里摸出了這套分工方式。這讓我想到也許所謂的智能進(jìn)化很多時候不是學(xué)會了什么全新的知識而是學(xué)會了什么時候該用什么工具包括什么時候該承認(rèn)自己不擅長、該把活兒交出去。這種元層面的判斷力可能比具體某個技巧本身更值錢。如果harness的進(jìn)化真的只能在骨干模型能力范圍內(nèi)打轉(zhuǎn)那未來會不會出現(xiàn)一種局面不同任務(wù)家族各自養(yǎng)著一套專屬的進(jìn)化harness而真正決定天花板的始終是那個被凍結(jié)著不動的大腦QAQ1HSI框架是什么AHSIHierarchical Self-Improvement分層自我改進(jìn)是一個讓凍結(jié)不變的語言模型自己重寫執(zhí)行框架harness來提升性能的框架包含任務(wù)harness層、進(jìn)化器層、元進(jìn)化器層三層結(jié)構(gòu)最外層執(zhí)行邏輯始終鎖死不變。Q2HSI在哪些任務(wù)上效果最好哪些任務(wù)上沒效果A在BabyAI、Crafter、TextWorld這類中等難度任務(wù)上提升明顯比如BabyAI從42分漲到81.3分但在NLE這種反饋極稀疏、任務(wù)極復(fù)雜的環(huán)境里幾乎沒有提升說明harness進(jìn)化受限于反饋質(zhì)量和模型自身能力上限。Q3HSI進(jìn)化出來的harness能不能用到?jīng)]見過的新任務(wù)上A在BabaIsAI的BreakStop和GoTo這類導(dǎo)航型任務(wù)上留出測試集成績接近滿分說明學(xué)到的是可遷移的通用技巧但在Make這種多步驟合成任務(wù)上遷移效果明顯較弱只有0.36左右。