刚刚，闭源RSI的“钦点严父”来了！

开源AI基础设施公司Prime Intellect在最新研究中提出：

借助多智能体 Harness，可以将监控与具体执行交给更小、更便宜的开源模型，从而让“AI开发AI”这件事变得更低成本，甚至取得更好的实验效果。

在实验中，他们把 Fable 5、Opus 5、GPT-5.6 Sol、Kimi K3 等18个前沿大模型，投入到一场 nanoGPT 优化器速通测试中。

结果显示，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。

这不仅优于 GPT-5.6 Sol 的3042步，和 Claude 旗舰模型 Opus 5 的2920步也只差10步。

换句话说，在 AI 研究自动化这件事上，一套由开源模型与 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。

这也在一定程度上动摇了过去那个最经典的 RSI 剧本：

某个最强闭源模型率先跨过“AI开发AI”的临界点，然后持续自我迭代，把其他参与者越甩越远，最终形成赢家通吃的局面。

另一方面，Prime Intellect 也展示了另一种可能：

模型不一定非得最强，只要底层这套科研机器足够高效，开源模型同样可以依靠更高的试错吞吐量追赶上来。

而这也进一步体现了 Harness 这类 Agent 编排框架在 AI4AI、AutoResearch 等方向上的潜力。

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。

不过需要先澄清一点。

这次比的并不是谁能凭空发明出多么原创的全新算法。

Prime Intellect 所做的，是把 AI 直接放进一个目标清晰、反馈快速的真实训练任务中，看它能不能像人类研究员一样，持续提出假设、运行实验、观察结果，再继续往下优化。

Agent 一开始会拿到一份带有 baseline 超参数的训练脚本，同时只收到一个提示：现在这套方案还不够好。

至于哪里能改进、该如何改进，并不会有人告诉它：

到底是换一种更优的预条件方法，给权重与更新幅度设置上下限，调整学习率 schedule，让高学习率维持更久，还是在训练后期加入权重平均，都要靠 Agent 自己一点点试出来。

因此，这些实验最终只看一个核心指标：

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。

为了让所有模型站在同一起跑线上，Prime Intellect 将 baseline 定在了3290步。

作为参考，目前公开的最好纪录则是人类研究者达到的2600步。

于是，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实现的水平。

具体来看，此次参与测试的包括 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，人类基本退出流程。

修改优化器、编写代码、启动训练、比较 loss、判断结果是否只是噪声、决定下一轮实验要做什么，全部由 Agent 自主完成。

值得一提的是，为了防止它们直接联网“抄答案”，整个过程都被限制在 sandbox 中，并且彻底断网。

实验验证

最终，Prime Intellect 一共运行了153次全自主实验，单次最长持续超过8天。

随后，他们先得出了一个多少有些“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。

最终有效的那些策略，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中找到相似思路。

但也正因为大家最后找到的 idea 大同小异，另一个现象反而更加突出：

真正拉开模型差距的，不是想到了什么，而是怎么把它高效试出来。

这里先放几个关键结论：

强模型不会轻易把一个idea判死刑。

弱模型常常因为一个 seed 跑差了就直接放弃，强模型则会更换 seed、重新做消融，甚至等 recipe 发生变化后，再把旧方案捡回来复测。

Opus 5 在重新调 β2 后刷出了新纪录，Fable 5 也曾通过重新探测旧方案，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幅提升究竟来自真实改进，还是随机波动，再决定是否值得继续投入算力。

甚至有模型发现，同一个 seed 重复跑，loss 也会因为 GPU 非确定性而发生变化，随后便围绕这个现象重做实验流程。

强模型还会自己造工具。

Kimi K3 会主动编写实验函数、比较 loss 曲线、恢复 baseline，甚至搭建一个小型数值实验室，先验证 Newton-Schulz，再把结论带回真实训练流程。

而跑得最远的 Fable 5，最终做到了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，相当于完成了其中大约82%。到了这里，这次实验真正有意思的地方才开始显现。

因为如果十几个模型最后想到的东西都差不多，那么至少在这类研究任务中，idea 本身可能并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，再把它们一轮轮叠加起来。

换句话说，科研能力正在越来越像一个试错吞吐量问题。

而这，也恰好解释了 Prime Intellect 为什么接下来把重点放在了 Multi-Agent Harness 上。

既然大量工作都集中在写代码、跑实验、盯结果、做验证这些环节，那么就没有必要每一步都调用最昂贵的前沿模型。

完全可以让更便宜的开源模型负责监控与执行，把真正需要高质量判断的环节留给更强的模型。

这样一来，同样的预算可以跑更多实验，同样的实验也能更快完成。

而当一次试错越来越便宜，AI 科研能力的提升，也就不一定非得等待下一个更强的大模型出现。

把底层这套“试错机器”打造得更好，本身就能持续把成绩向上推。

所以 Prime Intellect 的下一步，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。

它真正想加速的是 AI 研发本身的迭代速度。

这其实也很像 OpenAI 研究员翁家翌此前在 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。

大家能够想到的方向，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，谁就更有机会赢。

而放到 AI4AI 这个语境里，道理可能同样成立。

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：

如何让一个已经足够不错的模型，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，反而开始显现出明显优势。

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 给模型提供了一个可持久运行的 IPython 内核，让它们能够围绕研究任务，自主搭建并持续迭代一套工作流。

而这套内核，也让 K3 能够在实验中主动推翻自己的假设，从而进一步提升效率。

这件事看起来只是一个小功能，但放到 RSI 语境里，其实非常关键。

因为如果模型能力在短期内没有突然跃升，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，以及能够同时运行更多假设的 Multi-Agent 系统。

最后得到的，未必是一个突然发生“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 最终真的要进入指数级加速，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，下面那套支撑它持续试错的机器，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