研究：LLM 自我重写 Agent harness 两轮仅提升 2.8 分且不显著

arXiv 论文《Can LLMs Improve Their Own Harness?》让前沿模型自主编写完整 Agent harness，并两次重写整个代码库。两轮重写在留出游戏上的 RHAE 平均仅提升 2.80 分，95% 区间为 [-1.44, 7.35]，跨越零且不显著；开发游戏上的提升高估了泛化收益，降低推理成本的改版还可能牺牲分数。