今年，AI 的竞争正在悄悄换一个方向：决定一个 AI 系统能力的，开始不只是模型本身，还有模型外面的那套“工作方式”。
过去，我们想让一个模型变强，通常意味着继续训练它：更多数据、更好的反馈、更大的计算量，本质上都是在改变模型内部的参数。但 Agent 时代正在让另一条路线变得越来越重要：模型可以完全不变，只要给它更好的外部系统，它也可能完成原本做不到的任务。
比如，把复杂任务拆成明确步骤，把计算交给工具，把重要信息存进记忆，把确定性的规则写成程序，再用验证器检查结果。就像同一个员工，在没有接受任何新培训的情况下，仅仅因为获得了一套更好的工作流程、工具和检查机制，最终表现就可以截然不同。
这类围绕模型搭建的外部能力系统，通常被称为 Harness 或 Scaffolding。
而来自 Salesforce AI 和 UIUC 的这项研究进一步提出了一个更有意思的问题：
如果强模型已经知道怎样解决一个问题，它能不能不去训练弱模型，而是直接为弱模型设计一套合适的 Scaffolding，把自己的能力“外置”并迁移过去？
论文将这一问题称为 Strong-to-Weak Scaffolding：让更强的 AI 为更弱的 AI 自动构建“认知外骨骼”。
从这个角度看，它探索的已经不只是模型能力迁移，而是一种更广义的 AI4AI：未来的 AI，不仅解决人类的问题，也开始主动设计和改造其他 AI 的工作方式。
论文链接：https://arxiv.org/pdf/2608.12307
结果非常直接地证明了这条路线的潜力。在主实验中，GPT-5.4-mini 裸模型的平均准确率只有 0.488；加入由强模型自动构建的 Harness 后，最高成绩跃升至 0.912，性能几乎提升了一倍。
更值得注意的是，研究中面向 GPT-5.4-mini 进行的 57 次 Harness 自动搜索与构建，没有一次低于原始模型。其中最优秀的 Harness，甚至让这个 mini 模型超越了多款原本能力更强、但直接裸跑的模型。
但如果故事只停留在“0.488 变成 0.912”，这项研究反而被低估了。作者真正想追问的是另一个问题：Harness 到底给弱模型补上了什么？
因此，他们没有只展示最终排行榜，而是继续把这近乎翻倍的性能增益逐层拆解：哪些能力来自更合理的任务分解，哪些来自工具和程序的介入，哪些来自验证与纠错，又有哪些原本属于强模型的解题策略，被重新编码进了弱模型外部的 Harness 之中。
换句话说，这篇论文真正试图解释的，不只是 “弱模型能被增强多少”，而是 “强模型的能力究竟可以以什么形式被迁移出去”。而这个答案，可能比 0.912 本身更重要。
一、强模型不替弱模型答题，而是替它改“系统”
这项工作的实验规则其实很简单：更强的 AI 从头到尾都不能直接替小模型完成最终测试。 它能做的，只有一件事：在考试开始之前，为小模型重新设计一套运行系统。
研究中，真正面对测试题的是 Target AI「目标模型」；能力更强的 Builder AI「构建模型」 则扮演系统设计者。Builder 会获得一个可编程环境，可以修改 Prompt、编写 Python 代码、加入规则与状态管理、设置检查流程，最终产出一个包裹在 Target 外部的 Harness。
这意味着，它优化的并不是模型参数，而是模型解决问题的路径。
比如，某类题可以先被自动识别，再交给专门的 Prompt；确定性的计算可以直接交给程序；容易遗漏的条件可以显式记录；最终答案也可以经过额外校验。甚至当 Builder 发现某个子任务本身存在稳定算法时，它完全可以绕开语言模型推理。
但 Builder 能看到的数据非常有限。
对于每个 Benchmark，只有随机抽取的 5% 样本会暴露出来作为 Validation Set。Builder 可以利用这部分数据观察 Target 的失败模式，反复修改 Harness；一旦开发结束，Harness 就会被锁定，随后直接运行在完全不可见的 Hidden Test Set 上。
因此，这里的关键挑战并不是记住少量样本，而是完成一次更高层次的判断：
哪些错误来自模型本身，哪些可以通过系统设计解决？哪些步骤值得交给语言模型，哪些步骤应该直接程序化？
Strong-to-Weak Scaffolding 真正研究的，就是这种能力：让强模型学习如何组织弱模型，而不是亲自替弱模型解决问题。
图1：AI4AI 的整套设计流程：Builder AI 并不直接解决问题，而是给 Target AI 搭建脚手架以减轻其认知负担，从 Harness 角度实现最基本的 AI4AI 能力迁移。
二、为什么偏偏用 ToM 测 Harness？
作者没有选择普通的数学题或知识问答，而是把实验放在 Theory of Mind「心智理论」 上。原因很直接：这类任务天然混合了两种完全不同的“思考”：
- 一部分是可以机械处理的：谁看见了什么、谁离开过、物体被移动到了哪里，这些都可以写成显式状态并持续更新。
- 另一部分却很难直接程序化：一个人相信什么、误解了什么、另一个人又如何理解他的信念，甚至还会出现多层嵌套。
因此，ToM 恰好提供了一个很好的观察窗口：当 Harness 开始接管推理时，它究竟拿走的是哪部分认知工作？
实验覆盖四个 Benchmark：BigToM、Hi-ToM、MMToM-QA 和 MuMA-ToM。这些任务横跨信念追踪、递归心智状态、对话与行为理解，以及 Bayesian Goal Inference，复杂度和任务结构都并不相同。
在此基础上，研究人员让不同能力的 Builder 进入 Cursor、Claude Code、GPT Codex 等 Agentic Coding Environment，自行探索如何为 Target 构建 Harness。
最终，他们一共得到 72 次独立构建实验。而后续分析也系统性追踪了更多问题：Builder 强弱有多重要？Validation Budget 是否决定效果？不同 Coding Environment 会不会改变结果？哪些 Harness 技巧能够稳定复用？不同 Target 是否需要完全不同的设计？更关键的是：
当性能上升时，原本属于模型的“认知负担”，到底被转移到了哪里？
表1：以 GPT-5.4-mini 为 Target AI 的实验结果摘要及对比
图2：全量主实验结果
三、Harness 的收益，甚至超过了直接换更强模型
最反直觉的结果是：升级系统，有时比升级模型更有效。
GPT-5.4-mini 裸跑四个任务时，平均准确率只有 0.488。加入自动生成的 Harness 后，平均提升到 0.763，最佳达到 0.912；而更强的 GPT-5.4 在没有 Harness 的情况下，也只有 0.619。
换句话说，一个被正确编排的小模型，完全可以跑赢一个没有外部支持的强模型。
而且这种提升非常稳定。针对 GPT-5.4-mini 的 57 次 Scaffold Run 全部优于 Baseline，11 种 Builder Configuration 也全部实现了平均正增益。这说明 Harness 带来的不是偶然中奖，而是一种可重复的系统性收益。
不过，自动设计还没有追平人工经验。此前人工构建的 UserHarness 可以把 GPT-5.4-mini 推到 0.939，仍高于自动 Harness 的最佳 0.912。
这个差距反而提出了更有价值的问题：
自动 Harness 已经学会了什么，而人类设计者还掌握着哪些它没学到的结构？
四、应该把哪些东西从 AI 的大脑里搬进 Harness？
表2：模型使用的 Harness 技巧统计以及对 Target AI 带来的效果提升
发现一：最有效的 Harness，并不是让弱模型思考得更久
一种最自然的猜测是：小模型不够聪明，那强模型帮它写一个超级 Prompt，让它多做 Chain-of-Thought、多采样几遍、多自我检查，是不是就行了？
实验的结果却并非如此，而是指向了另一件事：Builder AI 最常采用的措施，首先是一些听起来甚至有点“朴素”的工程手段：答案格式约束、Greedy Decoding、任务 Routing、结构化输入输出。
而真正区分优秀 Harness 的，则往往是更进一步的东西：Deterministic Solver、Structured Extraction、Polarity Logic，以及显式的状态追踪等等。
换句话说，好的 Builder 并不是不断告诉弱模型 “请再认真想一遍”，而是会进一步问 “这里为什么还需要你想”。 如果某段推理其实存在稳定规律，就把它写成代码；如果某个步骤只是在机械地记录谁看到了什么，就把状态显式存起来；如果问题可以先分成四类，就不要要求模型每次重新理解整个任务。
论文还发现，Harness 中由外部代码和规则直接完成的工作比例，与最终准确率存在很强的正相关 (r=0.72)；相反，单纯“代码写得更多”与准确率的关系非常弱，只有约 (r=0.22)。
这两组数字放在一起看，我们不难发现：
有效的 Harness 不是给模型增加更多思考，而是在删除那些本来就不应该由概率模型承担的思考。
图3：Builder AI 将任务结构外化从而降低 Target AI 的认知负担，这种认知负担的转移是 AI4AI 通过 Harness 成功提升小模型能力的关键
发现二：真正发生的不是知识迁移，而是认知结构迁移
这是整篇文章最值得细想的核心。传统蒸馏的逻辑，是让老师把知识教进学生的大脑。但这里 Target AI 的参数从头到尾根本没有变化。强模型真正留下来的反而可能是一个分类器，一组规则，一套状态表示，若干程序，以及一整套约束弱模型如何工作的流程等等。
也就是说，被迁移的并不是某个问题的答案，也不完全是语言层面的知识，而更接近于：
强模型把自己对“这个任务应该怎样思考”的理解，编译成了一套小模型能够执行的外部结构。
论文把这一现象称为 Cognitive-Load Reduction「认知负担降低」：即一部分工作被彻底 Offload 给程序和工作流；剩下仍然需要模型处理的问题，也会被 Harness 重新组织成范围更小、输入更清晰、输出更受约束的子任务。
从这个角度看，Strong-to-Weak Scaffolding 很像给弱模型制造了一副“认知外骨骼”：外骨骼并没有让人的肌肉本身突然变强，但它改变的是原本需要肌肉独自承担的负荷，现在却被整个 Harness 系统重新分配了。
图4：在不同 Benchmark 上对于残存错误的统计分析
发现三：不是所有思考，都同样容易被编译成规则
这篇文章也没有得出一个过度乐观的结论，因为并不是所有智能都能轻易写进 Harness。其实四个 Benchmark 之间就已经出现了非常明显的差异。
例如在 BigToM 中，大约 94% 的任务最终可以被 Harness 通过固化工作流处理。正是因为这个任务存在很多稳定的“谁看到了什么、谁没有看到什么”的规律，因此 Builder 很容易把它们编译成程序。
但到了 Hi-ToM，这一比例降低到约 51%。 而更加开放、依赖对话和社会推理的 MuMA-ToM 只剩下约 36%。
这实际上也划出了一条非常有意思的边界：AI 推理中，一部分困难来自“计算和组织不可靠”；另一部分困难则来自问题本身真的需要理解和推断。
前者非常适合被 Harness 消灭，但是后者却不会因为多写几百行代码就自动消失。论文对于残余错误的分析也印证了这一点：Hi-ToM 中随着 belief recursion 越来越深，准确率明显下降；MMToM 中更复杂的 Bayesian goal inference 依然困难。因此，这篇研究真正提出的不是代码可以替代推理，而是一个更加精细的问题：
未来的 AI 系统，应该学会判断哪些认知和推理活动应该交给模型，哪些应该被编译成工具、状态和规则，通过 Harness 来自动化。
图5：Builder AI 可以不断让 Harness 自我进化，提高 Target AI 的下游任务表现。但是这个表现好坏与 Builder AI 进行 Harness 进化的轮数并不成正比，反而和推理强度正相关
发现四：强模型真正的价值，体现在更会看懂任务
Builder AI 在构建 Harness 的过程中可以不断自我反思进化，重跑 Validation。直觉上，测试次数越多，应该越容易找到一个好的方案。但实验并没有发现这样的关系。
最终完整测试集表现与 Validation 最佳成绩高度相关；但是与 Builder 一共进行了多少次 Refinement 的相关性只有 (r=0.17)。
相反的，当研究人员固定 Builder 为 Opus-4.7，只提高 Builder 自己的 Reasoning Effort 时，不同平台上 Builder AI 搭建的 Harness 质量都呈现持续上升趋势。
这意味着强 Builder AI 的优势似乎并不主要来自更勤奋地试错，而是要更快地发现这个任务到底有什么可以被利用的结构。
这其实给“推理算力应该花在哪里”提供了一个非常不同的视角：与其让弱模型在未来的每一道题上都重复进行昂贵而不稳定的思考，不如让强模型先进行一次更昂贵的元推理，即
先想清楚以后应该怎么想
然后把再这个结论固化进 Harness。
表3：相同 Builder AI 在面对不同 Target AI 时，Harness 对小模型带来的收益往往由其已有的能力决定：已有能力越强 Harness 越有可能成为束缚
发现五：越弱的模型，越可能从好的 Harness 中受益
文章进一步换掉 Target AI，用本身表现已经更强的 Gemini-3.5-flash 再次进行实验。一个非常清晰的规律便出现了：Target 原本留下的 Headroom 越大，Harness 能够实现的提升也往往越大。
论文在不同 Target×Benchmark 条件下得到的相关性约为 (r=0.75)。对于 GPT-5.4-mini，很多 Builder 可以产生 0.2、0.3 甚至更大的提升；而当 Target 本身已经非常擅长某些任务时，复杂 Harness 的收益会迅速缩小，个别任务甚至会出现轻微退步。
这其实非常符合现实中的组织经验。一个已经能够独立处理任务的专家，被强行塞进十层审批、二十张表格和固定流程里，未必会工作得更好。Harness 本质上也是一种约束：
对于能力不足者，它是脚手架；对于已经足够强的人，它也可能变成束缚。
因此，未来优秀的 Harness 不会是一个对所有模型都固定不变的“超级 Prompt”，而需要动态判断这个模型在哪些地方需要帮助，哪些地方应该放手。
五、AI4AI 的真正变化：Scaling 开始走出模型
这篇工作让我们重新思考：AI 能力究竟应该以什么为单位来衡量？
过去，我们习惯把模型单独拎出来测试。但真实的 Agent 系统早已不是一个裸模型：它身边有 Memory、Tools、Router、Verification、Skills、Context Management，还有大量程序化逻辑。
因此未来更重要的问题，可能不再是：这个模型有多强？ 而是：这个模型被放进一个足够好的系统之后，能有多强？
这篇论文给出了一个很直观的例子：0.488 的 Model Capability，可以对应 0.912 的 System Capability。 这也改变了强模型应该扮演的角色。最强、最昂贵的 AI 未必需要亲自处理所有任务。
它也可以先成为 Builder：分析问题结构、诊断弱模型、设计 Harness、编写工具和验证规则，再把之后的大量执行交给成本更低的 Target AI。
于是，一个很有意思的经济问题出现了：
强模型昂贵的“思考”，能不能只发生一次，却被后续成千上万次调用重复利用？
如果可以，那么 Scaling 就不再只是不断购买更多 inference compute。另一种 Scaling 方式，是把高成本智能沉淀成可以重复执行的结构。
而这可能也是 AI4AI 更现实的一条路径。
它不一定意味着 AI 立刻开始重新训练、修改甚至递归创造另一个 AI。更早发生的事情，可能是：AI 开始为 AI 设计 Prompt、工具、规则、记忆和工作流，也就是设计另一个 AI 所处的运行环境。
当优化对象从“如何答好一道题”上升到“如何设计一个更会答题的系统”，模型与 Harness 之间也可能形成新的 Co-evolution「共同进化」：
更强的模型创造更好的 Harness；更好的 Harness 又把模型能力推向新的上限。
过去十年的 Scaling，主要是在模型内部堆参数、数据和计算。而 Agent 时代的下一轮 Scaling，可能越来越多地发生在模型之外——怎样拆任务、怎样调用工具、怎样保存记忆、怎样验证错误，以及怎样把强 AI 的经验编译成弱 AI 可以反复使用的基础设施。
如果传统蒸馏是在尝试把老师的能力塞进学生的参数里，那么 Strong-to-Weak Scaffolding 展示的是另一条路：
不必先让学生变成老师，也可以先让老师替学生设计一套更聪明的工作方式。
这或许才是 AI4AI at Test-Time 最值得关注的地方。