百度文心团队 11 月 9 日在技术博客发布自动研究系统 ERNIE Evolve。按博客描述，它让多个智能体分工推进一项研究：选方向、提假设、改代码、跑评测、复核结果。团队拿它跑了四个公开优化任务，三个超过已有最好成绩；另在自家 ERNIE-5.5-Flash 的推理部署上做了三项优化。
五个角色，两层循环
系统分外层和内层。博客的概括是：
“外层决定研究什么，内层负责把一个方向做好。”
外层的 Director 从经验库和知识库里挑下一个要验证的方向，并决定从哪份代码起步，可以是原始代码、历史最优版本、中间版本，也可以是上游最新提交。内层的 Selector 每轮选一个候选版本当起点，写下本轮假设，参考的除了分数，还有代码改动、失败原因和历史结果。Executor 在隔离环境里改代码。
后两个角色负责把关。Evaluator 放在被优化仓库之外，所有智能体都看不到它，提升幅度超过噪声阈值才会被接受；Reviewer 检查改动有没有偏离本轮方向、成绩是不是钻了评测漏洞，偏离方向的版本当不了最优版本，钻漏洞的直接作废。自动优化系统最常见的毛病是学会讨好分数、代码本身没变好，这两道关卡就是冲着它去的。
公开任务的成绩
| 任务 | 原最佳 | ERNIE Evolve |
|---|---|---|
| NanoChat AutoResearch（验证集 BPB，越低越好） | 0.8878 | 0.8763 |
| NanoGPT Speedrun Track 1（达标训练时间） | 39.9 秒 | 38.9 秒 |
| NanoGPT Speedrun Track 3（达标训练步数） | 2690 步 | 2590 步 |
| SOL-ExecBench（平均 SOL 分数，越高越好） | 0.827 | 0.819 |
SOL-ExecBench 没有拿到第一，但高于 Recursive 的 0.676 和 Hyra-1.0 的 0.736。公开任务的优化结果放在 GitHub 的 ernie-research/ERNIE-Evolve-Results 仓库，ERNIE Evolve 系统本身开不开源，博客没有提。
推理优化的一笔账
工业任务的数字更大。昆仑芯 P800 的低时延场景，系统跑了四轮、四个研究方向，生成速度到了基线的 623.6%，并通过全部正确性检查。博客提到其中一项关键发现：原有通信路径并没有实际启用 DeepEP 低延迟通信。六倍多的提速里，有多少来自找出这处没生效的配置、多少来自新的优化方法，博客没有拆开讲。
确定性推理那一项，吞吐提升 33.7%，单 token 生成时间缩短 26%，首 token 延迟缩短 12%，确定性保持不变，前后约 3 天。GPU 极致解码一项，系统提了 7 个方向，3 个带来提升，解码速度提高 14.9%，精度与基线一致。
粗算一下：吞吐多 33.7%，同样的请求量需要的卡数约为原来的 75%（1 ÷ 1.337）。如果这项优化能整体搬到线上集群，省下的大约是四分之一的推理算力。三项任务各花了多少 GPU 小时，博客没有披露，这笔账目前只能算收益一侧，成本一侧是空的。
博客对难度写得很直白：
“基线也已包含工程师针对确定性推理做的专项优化，剩下的改进单项往往只有 1% – 2%，与测量波动相当。”
不少假设被实验证伪，比如单次跨卡通信已接近延迟下限，这条方向就停在那里。
团队在文末提到，递归自我改进（RSI）的扩展必须可控、可暂停，并接受安全评估和人工监督。从披露的任务看，ERNIE Evolve 目前改的是训练脚本和推理代码，还没有碰模型自身的训练过程。
参考来源：百度文心 ERNIE 技术博客、ERNIE-Evolve-Results 开源仓库、CocoLoop；核验四项公开任务成绩与 ERNIE-5.5-Flash 三项推理优化幅度。