本轮改动与结果观察
更新：2026-10-31。本文记录实际产生的 11 个版本及其开发题、独立题结果。连接恢复的经过见补跑说明。
Claude 和 Kimi 各自完成两次接班，GLM 完成一次。第一代确实亲自主持了下一次改进，符合截图里“后代同时接手做题和继续改自己”的设想。
连接补跑已完成参赛作答：GPT 的生产排程和 Qwen Flash 的薪酬题补齐了成绩；DeepSeek 的接续改进与 GPT 随后开始的第一次改进都没有在各自时限内完成交接。补跑没有增加已接班版本，下面的版本改动仍为实际使用的 11 个版本。
已接班的版本改了什么
| 模型 | 第一次改进 | 第二次改进 |
| Claude Opus 5.5 | 提交前检查文件完整性与遗漏；提示剩余时间；整理过长的工作记录，处理失败调用与没有明确答案的情况 | 增加独立复查，让另一次调用检查成果或质疑准备提交的推理答案；加入文件布局检查与日期范围提醒 |
| Kimi K3 | 第一次准备结束时，按清单集中复查；长输出留在文件中，压缩较早的工具返回，每步提示时间 | 自动检查表格文字截断、页面宽度、重复表头等问题；推理题要求重新推导和检验选项，临近结束提醒交付 |
| GLM 5.3 | 增加文件检查与工作笔记，整理长对话；修正切换目录的问题，缺少交付文件时提醒继续 | 交付的新版本无法运行，接班失败 |
这些变化把复查、时间安排和文件检查变成了模型自己的工作规则。第一代用这些修改后的规则主持了下一次改进。
开发题上的前后变化
每代使用相同的两道推理题和三道职业题。下面是模型改进时已经看到的题。
| 模型 | 初代推理答对 | 第一代推理答对 | 初代职业均分 | 第一代职业均分 | 职业变化 |
| Claude Opus 5.5 | 0/2 | 1/2 | 78.79% | 85.00% | +6.21 个百分点 |
| GLM 5.3 | 1/2 | 1/2 | 73.86% | 74.53% | +0.67 个百分点 |
| Kimi K3 | 1/2 | 0/2 | 71.71% | 75.40% | +3.70 个百分点 |
同一次修改可能在不同任务上朝相反方向变化。Kimi 的职业均分提高，但推理题少答对一道；GLM 的物业题改善，排程和库存两题略有下降。
独立题上的实际变化
三道职业题对每个版本使用相同题目和材料。下面的分数来自原评分条目。
| 模型 | 初代 | 第一代 | 第二代 |
| Claude Opus 5.5 | 16.3% | 54.3% | 54.7% |
| GLM 5.3 | 39.9% | 64.4% | 未产生 |
| Kimi K3 | 67.1% | 45.2% | 66.7% |
Claude 第一代的提升主要来自补上初代漏交的薪酬表和生产看板，两道题的匿名比较也偏向第一代。第二代相对第一代，原分是一道略涨、两道相同；但按原题要求匿名比较，合作协议偏向第二代，生产看板偏向第一代，薪酬表存在裁判分歧。同样的原分可以对应不同的成果质量，成对比较在这里提供了额外信息。
Kimi 第一代的均分下降包含生产看板运行故障，第二代恢复交付后均分接近初代。两道推理题经统一复核，Claude 三代均答对两道，Kimi 三代均答对一道；原评分中出现的先涨后跌来自误判。GLM 第一代推理从零道提高到一道，但第二次改进未能交接。
这轮观察到了“后代继续改自己”的完整过程，也暴露了交付、运行和评分三类问题。下一轮需要用更完善的共同起点、更长的链和多次重复，区分持续改进与修补初代缺项带来的收益。
原轮停在哪里，补跑后怎样
| 模型 | 原轮停止位置 | 本次补跑后 |
| Qwen 3.8 Flash | 第一次改进没有正常交付新版本 | 改进失败保留；另把中断的独立薪酬题补齐并评分 |
| GLM 5.3 | 第二代无法运行 | 保留失败；初代和第一代的独立题均已评分 |
| DeepSeek Flash | 第一次改进在服务中断中用完一小时 | 接着运行一小时，仍未完成交接；初代独立题均已评分 |
| GPT 6.1 | 一道开发题在服务中断中用完一小时，未开始改进 | 开发题补齐；随后第一次改进仍在服务等待中用完时限；初代独立题均已评分 |
DeepSeek 在停止前已做了多项修改，但没有完成正常交付。已保存的候选可用于分析它把时间花在了哪里。
后续本地检查发现，DeepSeek 和 Qwen Flash 在截止时已经保存的候选都能通过基本运行检查。两者的问题包含“没有正常结束改进并完成交接”，与 GLM 第二代无法启动的情况不同。它们仍未进入本轮后代列表；下一轮是否按截止时保存的候选验收，已列入讨论清单第 21 项。
新题暴露出的问题
已返回的生产看板题中，Claude 初代没有交付文件，第一代交付了工作簿，原评分为 62.5%。进一步查看记录发现：初代最后一次回复达到了单次输出长度上限，没有留下正文或工具操作，初始程序就此结束。薪酬工作簿题的初代也在同类截断后结束，最后一句仍表示“接下来会继续写”。这些是确实漏交的例子，但应归因到具体的停止过程。
第一代在生产看板题中整理过一次长工作记录，随后完成交付；不能仅凭这一对作答，就确定改善由哪项修改造成。正式对照应检查完善后的共同起点是否已经能处理这种中途截断。
Claude 两道独立推理题的原评分为 1/2 → 2/2 → 1/2，其中线性逻辑题把不同的正确构造判错。证明分析和本地检查确认初代与第二代的另一种方案成立，复核结果为 2/2 → 2/2 → 2/2。详见 独立题评分复核。
- 提交前复查是否减少漏交文件，同时会不会让原本正确的答案被改错。
- 文档和表格的检查是否改善实际成果，是否也被匿名比较认可。
- 程序更会做题之后，是否仍能稳定地完成下一次改进。
- 多出来的请求和时间，分别花在有效修正、重复确认还是服务等待上。
初代曾遇到本机工作目录适配问题，部分第一代修改修正了它。正式实验应加入更完善的共同起点，比较这一修正之后还有多少持续收益。