AI生成概念图:循环轨道与检查门象征实验迭代和独立验收
一个会写代码的模型,离能够持续做研究还有距离:它还要决定下一次改什么,辨别改进是否真实,并记住哪些尝试已经失败。百度文心团队11月9日公开的 ERNIE Evolve,将这些环节放进同一套自动研究循环。此次新闻点是方法与结果披露,和此前开放的 ERNIE 5.5 Flash Base 权重是不同事件。[B1]
按官方描述,外层循环选择研究方向,内层循环修改、测试候选代码。评估程序置于被优化仓库之外,不向智能体开放;另有审查环节判断修改是否越界或利用评分漏洞。这里的“独立”指评估与实验执行分离,并不意味着已有外部机构独立验证全部结果。[B1]
公开的结果仓库让部分数字有了可追溯的落点:NanoChat 任务的验证集 BPB 为0.8763;NanoGPT Speedrun 第一赛道记录38.92秒、18次运行,第三赛道记录2590步、8次运行。仓库同时提供对应代码与日志,并说明运行代码会嵌入日志或以 SHA-256 标识。复核者仍需匹配硬件、数据与软件条件;有日志不等于复现已经完成。[B2]
百度博客的对照表显示,前两类任务超过其比较的公开最好结果,但 SOL-ExecBench 平均分0.819,仍低于表中0.827的领先值。不能把几个任务上的进展概括为全面领先。百度另称,系统用于仍在开发中的 ERNIE-5.5-Flash,在特定 GPU 确定性推理负载下将吞吐量提高33.7%。媒体跟进报道也明确这些收益来自百度自身披露;它不是新模型已经对外上线的证据。[B1][B3]
从工程角度看,值得继续观察的是验收权放在哪里。如果改代码的智能体也能修改评分方式,一个漂亮的数字可能只是测试被改变了。把评价器和候选实现分开,至少为后续复查保留了一条明确边界;实际可靠性还取决于测试是否覆盖真实工作,以及有没有遗漏新的错误。
这类流程对企业研发的启发,也不必从“自我进化”这样宏大的词开始。可以先选一个边界清晰的优化任务,固定正确性条件、资源预算和人工停止点,再记录每轮实验。只有节省的执行成本超过搜索、评估和审阅成本,自动研究才有稳定的经济意义。
截至本次核验,官方提供的是研究说明及部分成果仓库,不能据此宣称 ERNIE Evolve 整套系统已经开源。博客中把研究循环继续扩展到训练与能力优化的方向,仍属于后续计划。[B1]
来源:
[B1] 百度研究博客|2026-11-09
[B2] ERNIE Evolve Results 官方仓库
[B3] The Next Web|2026-11-09
