分享一个很前沿的 AI4AI 成果：两个月，把 Deep Search 做到了SOTA

刚读了一篇 AI4AI 论文《AI4AI at Scale》，来自 XYZ Agentic Team。还是第一次听到这个 Lab。

他们用 AI4AI 的方式做出了两个很强的搜索 agent，也公开了方法。借这篇 paper 讲讲 AI4AI 到底怎么工作，下面尽量少堆术语。

他们的视频播客里披露：十几名员工，配上约 400 个 Agent Workers，两个月做完了这套 Deep Search 系统（这 400 是整个项目里参与分析、开发、实验和评审的执行单元，具体任务再临时组队）。

① 先把它想成一个准备考试的学生

就像学生可以改学习资料、换解题方法、调整计算器，分析自己上次为什么答错。但永远不知道标准答案、也不知道阅卷规则。最后，新方法到底有没有用，由一位独立考官测试，考过保留，没过就退回。

论文把这套考场规则叫optimization contract。人类先写清楚要提升什么能力、允许 agent 改哪些部分、每轮能用多少资源、什么情况必须停。AI optimizer负责找问题和试新方案，isolated evaluator像独立考官，只给分数和必要的错题反馈，不泄露答案；gate决定这次修改是保留、拒绝，还是交给人判断。

每轮实验都会写进shared experience memory。成功方法留下，失败方法也留下，并注明当时用了什么数据、工具和评测版本。这个 memory 由 agent 自己维护，作用很像学生时代的错题本。

我也看了他们在youtube的访谈，访谈把 memory 讲得比论文更具体。

它实际上分两层：第一层：保存所有原始日志，用于审计、复现，以及从任意 checkpoint 重启；第二层：把日志整理成结构化经验，比如当时看到了什么、证据链是什么、人类有没有介入、方案为什么通过或被拒绝。

更有意思的是，经验也有保质期。搜索工具和网页一变，过去有效的方法可能就失效了，系统会自动重新 review，把过期经验标出来。

所以严格来说，它不只是错题本，更像一本会自动修订旧答案的实验室 Wiki。

整套流程叫 AI4AI，核心是一个四步循环：Research → Development → Review → Record。

• Research像研究员做复盘。AI 看上一轮分数、失败案例、历史实验和人类意见，判断问题出在数据、训练，还是工具与运行方式，再提出一项能验证的改动。但它不能天马行空：可改范围、预算和风险边界都写在 optimization contract 里，隐藏答案也看不到。
• Development 是把方案做出来，产出一个待测新版本，但不能提前偷看独立评测，更不能碰 gate。太贵的方案可以先跑便宜的小实验，过筛只说明“值得继续花钱”，离上线还远着。
• Review 才轮到独立验收。isolated evaluator 用同一套版本化规则比较新旧版本，gate 只给accept、reject、escalate三种结果，模糊、高风险或越界的情况交给人。提方案的人不能顺手改阅卷规则，更不能自己签字上线。
• Record 是给实验室写档案。无论成败，代码、数据、prompt、模型与评测版本、资源、trace 和评审意见都要留下，连同适用条件一起写进 shared memory，下一轮才不会重踩旧坑。

他们管这套东西叫bounded-exploration AI4AI。核心逻辑：人定义好目标、预算和边界，AI 在这个框里自己诊断、自己改、自己测试，但最终能不能合并进主分支，那张门禁卡还是捏在人手里。

② 这个框架真正拿来做 Deep Search agent 时，主要做了三件事

第一，搭一条自动命题流水线。

普通 QA 搜一个关键词就能找到答案，训不出真正的搜索能力。但人工出难题太慢，一天写几百道就到头了，喂不饱训练。

所以团队干脆把出题这件事本身也自动化了：先把抓来的网页连成一张证据图，网页是节点，超链接和引用是边；再从图里随机捞一个连通子图，把散落在几个页面上的证据拼成一道题；最后自动把题面里直接出现的人名、日期、机构换成间接线索，比如不说“2021 年”，说“在那家公司搬到新总部的第二年”。

整条线不需要人坐在那里出题，所以能一直往下跑，源源不断产出必须多跳查找、还得自己做消歧的搜索任务。模型靠背关键词是过不了的。

第二，只让模型学习“它当时真的看见了什么”。

长任务里，后台完整档案可能保存了所有搜索结果，但 agent 当时脑子里的东西早被压缩或折叠过，早期搜到的网页，可能只剩一句摘要。

如果训练时把完整档案都喂给它，就像学生考试时只看到半页材料，复盘时却拿着整本答案在学。学的时候什么都齐全，真上考场又只有半页，自然对不上。

所以训练数据必须严格对齐它做任务时实际能看到的版本，包括摘要过的、折叠过的那部分历史。

第三，工具和复盘系统一起改。

agent 始终只有三个工具：search固定返回 top-10，scrape负责取网页内容，python在单个任务里保留变量和文件。系统同时保存完整档案和 agent 每一步实际看到的版本。

这样答错的时候，能分清到底是没搜到、网页没抽对、旧证据被挤掉了，还是证据明明在眼前却没用上。

结果：

• XYZ-Aquila-mini（基于 Qwen3.6-35B-A3B）：在小于 40B 的 open-weight 组里，七个 benchmark 全组最高，比如 LiveBrowseComp48.7，下一名 41.4。
• XYZ-Aquila-pro（基于 Qwen3.5-397B-A17B）：小于 400B 组的六项全部领先，WideSearch81.2，下一名 75.6。对比更大的闭源前沿模型时，也在BrowseComp-ZH、LiveBrowseComp、WideSearch 拿到最高分。

③ 全文我觉得最有意思一件事：AI 自己提出了人类没想到的改法

团队原本觉得，让 agent 自己决定什么时候整理 context，会增加它的负担，所以这个方案根本不在人类最初的尝试清单里。

结果 AI 分析历史日志后，主动提出了active compact：由 search agent 自己判断什么时候该整理上下文、保留哪些证据，并且把方案实现了。人类只负责验收效果，以及检查有没有 ground truth 泄漏。

这个例子非常重要。它第一次具体回答了：AI4AI已经超出“替人跑实验”了：从失败记录里看出问题，提出人没想到的方向，然后自己动手做出来。

④ AI4AI 和 AutoML 到底差在哪

这个问题他们博客里专门写了。

AutoML 通常是在预先划定的空间里，优化模型架构、训练方式和参数。AI4AI 改的是包含模型在内的整套系统：数据怎么造、工具怎么调用、harness 怎么运行、评测怎么做、infra 怎么优化，都在范围内。

而且 AutoML 更像按数值规则不断试参数，AI4AI 会读历史实验、总结失败原因、参考人的意见，再决定下一轮改哪里。

这两年AI4AI一直是海外前沿实验室探索的重点。

2025 年OpenAI用 PaperBench 测 agent 能否从零复现 20 篇 ICML 论文，8316 个任务，最好成绩 21.0%，低于 ML PhD 基线。到 GPT-5.6，模型已经参与完整研发循环：诊断故障、改训练、跑实验、解释结果，再去改另一个模型。半年里 coding inference 研究算力涨了100 倍，agentic token 涨了约22 倍。

Anthropic那边，部署了 9 个 Claude Opus 4.6 实例做 Automated Alignment Researchers。在一个很窄的 weak-to-strong supervision 任务上，PGR 做到0.97；但迁移到 production-scale 的 Claude Sonnet 4 之后，没有统计显著提升。

所以AI4AI 确实已经走进研发流程了。也很高兴看到国内也有同样前沿的成果。

论文：https://xyz-lab.ai/blogs/ai4ai-at-scale/assets/bounded-exploration-ai4ai-system-optimization.pdf

团队访谈：https://www.youtube.com/watch?v=aC7BhGGQUPo&t=792s

文章来自于微信公众号 “AI Dancer”，作者 “AI Dancer”