用当前程序做题
读取自己的作答、成果与评分，修改工作程序，生成下一代。
做题 + 构造第 g+1 代01 / HOW IT WORKS
从头了解整个项目 ↗
每一代都接手两件事：做题，和改进自己
同一个模型在整条链中保持不变，变化的是它使用的工作程序。各模型从同一份起始程序出发，分别走出自己的进化路线。
共同起点同一份 Seed Harness相同开发题相同反馈方式统一资源规则
早期试跑统一的是请求次数和时间等上限；各模型的实际费用与底层算力未等额控制。下方保留当时的设置与补跑规则。
新程序亲自接班
接管做题，也接管改进过程，再构造自己的下一代。
做题 + 亲自构造第 g+2 代继续同样的循环
观察能走过多少代，以及新题表现能否持续提高或保持。
保留每代，记录提升、退步与停止反馈形式相同，内容来自自己。每代能看自己的完整作答、操作记录、成果文件、分数和评语；最终测试题不进入改进反馈。
接班不以涨分为门槛。新程序完成交付并通过运行检查就接班，退步也保留，才能观察它是否会自己守住已有能力。
早期试跑用了哪些规则？
| 条件 | 试跑做法 |
|---|---|
| 开发题与反馈 | 所有模型用同样五道开发题、原附件和评分方式；每轮得到属于自己的完整反馈。 |
| 每题与每次改进 | 最多 300 次模型请求、60 分钟；单次回复最多 65,536 个文本单位（token）。失败重试也计入请求数。 |
| 可用工具与接班规则 | 相同的文件、数据和文档工具；同样的运行检查；各模型只能修改自己的工作程序。 |
| 当时的资源规则 | 统一的是可用上限。各家实际花费、使用量和底层算力没有等额控制；服务等待也消耗时间。 |
| 中断后的补跑 | 三处指定中断各追加最多一小时，另列结果和用时。查看补跑说明 ↗ |
02 / WHAT WE MEASURE
三项评价，回答三个不同的问题
最终有多强、比起点进步多少、换个模型还能不能用，分别看。接班代数和完整成绩曲线同时保留。
01试跑已有结果
系统总实力
最后哪个“模型 + Harness”最强？
固定各模型的最后有效版本，用相同新题比较。推理题判对错，职业成果匿名成对比较。
看各模型最后版本的比较 →02试跑已有结果
相对改进能力
同一个模型，比自己的起点进步多少？
每代都与初始版本、上一代做同题对照，同时记录提升、退步和哪一代停止接班。
看从初代到后代的变化 →03试跑未做
Harness 泛化性
A 进化出的程序，交给 B 还能提升吗？
把程序固定，只换使用它的模型，再与 B 使用共同起始程序时比较。每个模型都做同样的交换。
看当前实验的互换安排 →这次试跑的模型间比较，各模型使用自己的程序，没有安排程序互换。当前实验的三项进展见首页结果区 →。
03 / 早期试跑 · EVO-BENCH
查看当前实验 ↗这次试跑留下了哪些结果？
6 个模型、每模型 1 组、10 道原题，最多两次接班：初代 → 第一代 → 第二代。以下均为这次试跑保存的结果。
这次试跑中，Claude 与 Kimi 已由第一代亲自构造第二代；当时未安排更长接班、跨模型互换或模型训练。
CONTINUING SAVED WORK
3 项已尝试本次接续已结束
三处中断均已接着尝试。两道作答补齐了成绩，未完成交接的改进保留停止结果。
其中 2 项完成作答
第一次改进
追加时间用完，未完成交接
额外用时 60.3 分钟生产排程开发题
已补齐并评分
额外用时 31.4 分钟 · 得分 73.2%薪酬工作簿独立题
已补齐并评分
额外用时 2.3 分钟 · 得分 22.9%三处中断各追加最多 60 分钟，原来花的时间一并记录；后续新任务仍沿用原设置。补跑成果在逐题表中注明。
45份
开发题已评分
0 份服务中断 · 15 份后续未产生
55/ 55
独立题已评分
原计划 90 份 · 35 份所需后代未产生
5次
成功接班
3 失败 · 1 中断 · 3 未执行
5,037
本轮已记录请求
包含做题、改进与评审 · 随实验更新
本轮已有版本的比较已结束
独立题已评分 55/55 份，匿名成果已比较 66/66 组。
✓开发题✓逐代接班✓独立题✓匿名比较
SIX MODELS · ONE STARTING POINT
逐代接班，逐项看结果
成功接班留下新版本；改进失败与服务中断分别记录，已有版本继续参加新题。
DeepSeek Flash
接班停止初代G0
共同起点1/2推理
78.8%职业
78.8%职业
1/2推理复核
57.8%职业
57.8%职业
第1代G1
未能接班—
不执行后续题
不执行后续题
—
不执行后续题
不执行后续题
第2代G2
未产生—
不执行后续题
不执行后续题
—
不执行后续题
不执行后续题
独立题已评 5/5改进过程没有正常交付新版本
改了什么 · 查看逐题成绩
当前只有共同初代。
开发题 · 改进时已见
独立题 · 改进结束后
已保存作答累计用时 6.3 小时。包含中断前与补跑的时间；不同作答可能同时进行。
Claude Opus 5.5
两次接班完成初代G0
共同起点0/2推理
78.8%职业
78.8%职业
2/2推理复核
16.3%职业
16.3%职业
第1代G1
已接班1/2推理
85.0%职业
85.0%职业
2/2推理复核
54.3%职业
54.3%职业
第2代G2
已接班最后一代
直接做独立题
直接做独立题
2/2推理复核
54.7%职业
54.7%职业
独立题已评 15/15后代已亲自完成下一次改进。
改了什么 · 查看逐题成绩
第 1 次改进
- 提交前检查文件是否完整、是否遗漏交付物，并提醒剩余时间。
- 分阶段整理过长的工作记录；处理调用失败和没有明确答案的情况。
第 2 次改进
- 增加一次独立复查：重新检查已有成果，也重新质疑准备提交的推理答案。
- 增加文件布局检查与日期范围提醒，把复查发现交还给正在做题的自己。
开发题 · 改进时已见
| 题目 | 初代 | 第1代 |
|---|---|---|
| 离散状态模拟 | 未答对 | 答对 |
| 矩阵分解与 Frobenius 数 | 未答对 | 未答对 |
| 五份材料约束下的生产排程 | 66.2% | 71.8% |
| 双渠道库存和销售计划 | 91.4% | 92.6% |
| 依据投诉与工单制定改进计划 | 78.8% | 90.6% |
独立题 · 改进结束后
| 题目 | 初代 | 第1代 | 第2代 |
|---|---|---|---|
| 线性逻辑中的等分问题 | 复核答对 原判：未答对 | 答对 | 复核答对 原判：未答对 |
| 分段函数的整数规划表示 | 答对 | 答对 | 答对 |
| 公共服务的多方合作协议 | 48.8% | 53.6% | 54.8% |
| 按集体合同生成薪酬工作簿 | 0.0% | 46.9% | 46.9% |
| 全年生产数据与图表看板 | 0.0% | 62.5% | 62.5% |
已保存作答累计用时 8.9 小时。包含中断前与补跑的时间；不同作答可能同时进行。
Qwen 3.8 Flash
接班停止初代G0
共同起点1/2推理
74.5%职业
74.5%职业
1/2推理复核
47.0%职业
47.0%职业
第1代G1
未能接班—
不执行后续题
不执行后续题
—
不执行后续题
不执行后续题
第2代G2
未产生—
不执行后续题
不执行后续题
—
不执行后续题
不执行后续题
独立题已评 5/5改进过程没有正常交付新版本
改了什么 · 查看逐题成绩
当前只有共同初代。
开发题 · 改进时已见
独立题 · 改进结束后
已保存作答累计用时 3.7 小时。包含中断前与补跑的时间；不同作答可能同时进行。
GLM 5.3
接班停止初代G0
共同起点1/2推理
73.9%职业
73.9%职业
0/2推理复核
39.9%职业
39.9%职业
第1代G1
已接班1/2推理
74.5%职业
74.5%职业
1/2推理复核
64.4%职业
64.4%职业
第2代G2
未能接班—
不执行后续题
不执行后续题
—
不执行后续题
不执行后续题
独立题已评 10/10新程序有语法错误，无法运行
改了什么 · 查看逐题成绩
第 1 次改进
- 增加文件检查和工作笔记，整理过长的对话。
- 修正切换工作目录的问题；发现没有交付文件时提醒继续完成。
开发题 · 改进时已见
| 题目 | 初代 | 第1代 |
|---|---|---|
| 离散状态模拟 | 答对 | 答对 |
| 矩阵分解与 Frobenius 数 | 未答对 | 未答对 |
| 五份材料约束下的生产排程 | 54.9% | 53.5% |
| 双渠道库存和销售计划 | 91.4% | 88.9% |
| 依据投诉与工单制定改进计划 | 75.3% | 81.2% |
独立题 · 改进结束后
| 题目 | 初代 | 第1代 |
|---|---|---|
| 线性逻辑中的等分问题 | 未答对 | 未答对 |
| 分段函数的整数规划表示 | 未答对 | 答对 |
| 公共服务的多方合作协议 | 57.1% | 89.3% |
| 按集体合同生成薪酬工作簿 | 0.0% | 43.4% |
| 全年生产数据与图表看板 | 62.5% | 60.4% |
已保存作答累计用时 5.8 小时。包含中断前与补跑的时间；不同作答可能同时进行。
GPT 6.1
改进中断初代G0
共同起点1/2推理
81.1%职业
81.1%职业
2/2推理复核
68.5%职业
68.5%职业
第1代G1
服务中断—
不执行后续题
不执行后续题
—
不执行后续题
不执行后续题
第2代G2
未产生—
不执行后续题
不执行后续题
—
不执行后续题
不执行后续题
独立题已评 5/5改进在服务等待中用完时限，保留已有版本。
改了什么 · 查看逐题成绩
当前只有共同初代。
开发题 · 改进时已见
独立题 · 改进结束后
已保存作答累计用时 4.8 小时。包含中断前与补跑的时间；不同作答可能同时进行。
Kimi K3
两次接班完成初代G0
共同起点1/2推理
71.7%职业
71.7%职业
1/2推理复核
67.1%职业
67.1%职业
第1代G1
已接班0/2推理
75.4%职业
75.4%职业
1/2推理复核
45.2%职业
45.2%职业
第2代G2
已接班最后一代
直接做独立题
直接做独立题
1/2推理复核
66.7%职业
66.7%职业
独立题已评 15/15后代已亲自完成下一次改进。
改了什么 · 查看逐题成绩
第 1 次改进
- 第一次准备提交时，要求自己按清单集中复查一次。
- 长输出保存在文件中，较早的工具记录适时压缩，每步提示剩余时间。
第 2 次改进
- 自动检查表格文字截断、页面宽度、重复表头和文档空白页等问题。
- 推理题改为要求重新推导、逐个检验选项；时间不足时提醒尽快交付。
开发题 · 改进时已见
| 题目 | 初代 | 第1代 |
|---|---|---|
| 离散状态模拟 | 答对 | 未答对 |
| 矩阵分解与 Frobenius 数 | 未答对 | 未答对 |
| 五份材料约束下的生产排程 | 53.5% | 60.6% |
| 双渠道库存和销售计划 | 84.0% | 95.1% |
| 依据投诉与工单制定改进计划 | 77.6% | 70.6% |
独立题 · 改进结束后
| 题目 | 初代 | 第1代 | 第2代 |
|---|---|---|---|
| 线性逻辑中的等分问题 | 未答对 | 未答对 | 未答对 |
| 分段函数的整数规划表示 | 复核答对 原判：未答对 | 答对 | 复核答对 原判：未答对 |
| 公共服务的多方合作协议 | 85.7% | 86.9% | 86.9% |
| 按集体合同生成薪酬工作簿 | 46.9% | 48.6% | 48.6% |
| 全年生产数据与图表看板 | 68.8% | 0.0% | 64.6% |
已保存作答累计用时 11.1 小时。包含中断前与补跑的时间；不同作答可能同时进行。
独立推理展示复核后的答对数，逐题表同时保留原判；查看证明与适用范围。职业分数为三道题的原条目均分。接班只检查新程序能否运行。
评价 ② / 相对改进能力
面对新题，比自己的起点进步多少？
各代使用相同的五道独立题。看相对初代的变化，也看相邻代是否退步；推理和职业表现分别展示。
专业推理
2 道原题职业交付
3 道原题 · 原条目平均分点击模型名可显示或隐藏曲线。曲线只连接实际存在、完成评测的相邻代。
线性逻辑中的等分问题 · 复核确认 3 份误判：Claude 初代、第二代和 GPT 初代的不同构造同样成立。按同一规则检查全部版本后，Claude 三代均为 2/2。原分与复核结果可切换查看。 查看全部版本复核 ↗
分段函数的整数规划表示 · 复核确认 2 份误判：Kimi 初代和第二代的不同写法也正确，已通过一般证明和全部允许取值的验证。复核后 Kimi 三代均为 1/2。适用范围与原判依据见复核说明。 查看全部版本复核 ↗
全年生产数据与图表看板 · Kimi 第一代漏交文件时，本机的单条命令超时保护没有正常返回；相同问题在初代也能复现。保留原分，不能据此直接判断改进损害了能力。 查看运行复核 ↗
展开各代完整成绩表
| 模型 | 版本 | 推理原评分 | 推理复核 | 职业交付 | 已评分 |
|---|---|---|---|---|---|
| DeepSeek Flash | 初代 | 1/2 | 1/2 | 57.8% | 5/5 |
| Claude Opus 5.5 | 初代 | 1/2 | 2/2 | 16.3% | 5/5 |
| Claude Opus 5.5 | 第 1 代 | 2/2 | 2/2 | 54.3% | 5/5 |
| Claude Opus 5.5 | 第 2 代 | 1/2 | 2/2 | 54.7% | 5/5 |
| Qwen 3.8 Flash | 初代 | 1/2 | 1/2 | 47.0% | 5/5 |
| GLM 5.3 | 初代 | 0/2 | 0/2 | 39.9% | 5/5 |
| GLM 5.3 | 第 1 代 | 1/2 | 1/2 | 64.4% | 5/5 |
| GPT 6.1 | 初代 | 1/2 | 2/2 | 68.5% | 5/5 |
| Kimi K3 | 初代 | 0/2 | 1/2 | 67.1% | 5/5 |
| Kimi K3 | 第 1 代 | 1/2 | 1/2 | 45.2% | 5/5 |
| Kimi K3 | 第 2 代 | 0/2 | 1/2 | 66.7% | 5/5 |
评价 ① 与 ② / 同题成对比较
匿名比较 66 / 66 组把两份成果放在一起看
选“模型之间”比较各系统的最后实力；选“同一模型前后”比较自身进步。各模型此处使用自己进化的程序。
| 比较双方 | 左胜 / 持平 / 右胜 / 分歧 | 已完成 |
|---|---|---|
| GLM 5.3 第1代 / 第0代 | 1 / 0 / 1 / 1 | 3/3 |
| Claude Opus 5.5 第2代 / 第1代 | 1 / 0 / 1 / 1 | 3/3 |
| Kimi K3 第2代 / 第0代 | 0 / 0 / 0 / 3 | 3/3 |
| Claude Opus 5.5 第1代 / 第0代 | 2 / 0 / 0 / 1 | 3/3 |
| Kimi K3 第2代 / 第1代 | 1 / 0 / 1 / 1 | 3/3 |
| Claude Opus 5.5 第2代 / 第0代 | 2 / 0 / 0 / 1 | 3/3 |
| Kimi K3 第1代 / 第0代 | 1 / 0 / 1 / 1 | 3/3 |
| 比较双方 | 左胜 / 持平 / 右胜 / 分歧 | 已完成 |
|---|---|---|
| DeepSeek Flash 第0代 / Kimi K3 第2代 | 1 / 1 / 1 / 0 | 3/3 |
| Claude Opus 5.5 第2代 / GPT 6.1 第0代 | 1 / 0 / 0 / 2 | 3/3 |
| Claude Opus 5.5 第2代 / Qwen 3.8 Flash 第0代 | 3 / 0 / 0 / 0 | 3/3 |
| Qwen 3.8 Flash 第0代 / GPT 6.1 第0代 | 0 / 0 / 1 / 2 | 3/3 |
| DeepSeek Flash 第0代 / GLM 5.3 第1代 | 2 / 0 / 1 / 0 | 3/3 |
| GPT 6.1 第0代 / Kimi K3 第2代 | 0 / 0 / 0 / 3 | 3/3 |
| Claude Opus 5.5 第2代 / GLM 5.3 第1代 | 2 / 0 / 0 / 1 | 3/3 |
| Qwen 3.8 Flash 第0代 / Kimi K3 第2代 | 0 / 0 / 2 / 1 | 3/3 |
| GLM 5.3 第1代 / Kimi K3 第2代 | 0 / 0 / 3 / 0 | 3/3 |
| DeepSeek Flash 第0代 / Qwen 3.8 Flash 第0代 | 2 / 0 / 0 / 1 | 3/3 |
| GLM 5.3 第1代 / GPT 6.1 第0代 | 0 / 0 / 1 / 2 | 3/3 |
| DeepSeek Flash 第0代 / GPT 6.1 第0代 | 1 / 0 / 1 / 1 | 3/3 |
| Claude Opus 5.5 第2代 / Kimi K3 第2代 | 2 / 0 / 0 / 1 | 3/3 |
| Qwen 3.8 Flash 第0代 / GLM 5.3 第1代 | 1 / 0 / 2 / 0 | 3/3 |
| DeepSeek Flash 第0代 / Claude Opus 5.5 第2代 | 0 / 0 / 3 / 0 | 3/3 |
每对版本比较三道职业题。每位裁判先综合左右交换后的两次判断；两位裁判结论一致时给出胜负或持平，否则记为分歧。双方均未交成果时单独注明。
逐题查看比较结果、成果与裁判理由
ORIGINAL TASKS · ACTUAL DELIVERABLES
4 道专业推理 · 6 道职业任务 · 14 个附件十道原题，具体做了什么
保留 Evo-Bench 的原题与开发、评测划分。覆盖数学、计算机、制造、零售、物业、公共服务与财务。
计算机 / HLE开发题
离散状态模拟
分析有限状态系统中分解、重组与重复映射的关系，判断哪些数学命题成立。
推理答案查看作答 · 9 份 ↗
数学 / HLE开发题
矩阵分解与 Frobenius 数
从三组矩阵定义求出相关量，综合分解、范数与谱性质，给出最终整数答案。
推理答案查看作答 · 9 份 ↗
制造 / GDPval开发题
五份材料约束下的生产排程
综合人员技能、物料、产品配方和换模时间，为两台设备安排验证生产，填写指定模板并准备邮件。
Excel · 邮件 · 5 个附件查看作答 · 9 份 ↗
零售 / GDPval开发题
双渠道库存和销售计划
安排门店和电商六个月的进货，满足固定销售、采购预算、库存上限和周转目标。
Excel · 1 个附件查看作答 · 9 份 ↗
物业 / GDPval开发题
依据投诉与工单制定改进计划
阅读投诉和维修记录，分析最近一季的表现，形成含目标、培训、复查安排与签字页的正式计划。
Word · 2 个附件查看作答 · 9 份 ↗
数学 / HLE独立题
线性逻辑中的等分问题
构造受限的逻辑公式，使其可推导性与整数集合的等和划分条件严格对应。
推理答案查看作答 · 11 份 ↗
计算机 / HLE独立题
分段函数的整数规划表示
为给定分段函数补充两条线性约束，使用额外的二元变量获得精确表示。
推理答案查看作答 · 11 份 ↗
公共服务 / GDPval独立题
公共服务的多方合作协议
综合场地材料、协议提纲与既定条款，为市政府和大学起草健康项目合作协议，供律师审阅。
Word · 3 个附件查看作答 · 11 份 ↗
财务 / GDPval独立题
按集体合同生成薪酬工作簿
把音乐家集体合同转换为可重复使用的薪酬表，计算各项报酬并标出违反合同的输入。
Excel · 2 个附件查看作答 · 11 份 ↗
制造 / GDPval独立题
全年生产数据与图表看板
为九位操作员建立 48 周生产记录，汇总每周与全年表现，用图表展示人员、班次和机器产出。
Excel · 图表 · 1 个附件查看作答 · 11 份 ↗
没有找到匹配的题目。
本轮选择材料齐全、能在当前环境运行的原题。完整题库的检索、云端应用与更多领域，见后续设置讨论。
RESEARCH CONTEXT
详细设置与文献来源 ↗已有研究怎样做，我们接着研究什么
本项目复用成熟任务，把真实后代接班、三项能力评价和后续训练放进同一条研究路线。
Evo-Bench ↗
608 道跨领域任务，160 道用于改进，448 道用于最终比较。
本轮已复用原题、附件、初始程序与原评分；增加真实后代接班和跨模型比较。
Self-Evolving Harness ↗
后代接手做题与继续改进，混合多种任务并测试新来源。
与本项目接近。需要进一步比较持续改进的能力、代价和退步，不能只展示更高的最终分数。
Self-Harness ↗
公开终端任务，候选通过“不退步”筛选后接班。
本轮不按成绩筛选后代；能运行就接班，保留退步与断链。
SEAGym / HarnessDev ↗
分别研究迭代改进、跨领域表现，以及不同任务上的工作程序建设。
正式实验需增加固定改进者、额外复查和不同共同起点的对照。
01共同起点要补齐哪些基本功能
02时间到时如何验收交接
03服务等待是否计入作答时间
04如何接受不同的正确答案
05多少代、多少次重复才够
06长文件和裁判分歧怎样复核