9B 模型当军师，DeepSeek V4 写代码，十轮之后 AIME 涨了 22 分

HKUDS 团队在做递归自我改进（RSI）实验时，撞到一个不太符合直觉的结果：一个 9B 的模型，可以把比它大得多的 DeepSeek V4 指挥得更好。

分工很干脆。9B 不写一行代码，它读任务描述和之前的尝试记录，然后决定几件事：在哪个版本上继续改，下一轮试什么算法或机制，编码 agent 该怎么实现和验证，剩下的预算花在哪儿。DeepSeek V4 负责把这些策略变成能跑的代码，再把执行结果交回去。

策略 → 执行 → 评估 → 反馈 → 下一轮策略。这个循环跑了十轮。

测试放在两个方向上：AIME 测数学推理和解题，Terminal-Bench 2.1 测写代码、调试、工具调用和长程执行。

十轮之后，AIME 从 55.6% 到 77.8%，Terminal-Bench 从 44.9% 到 69.4%。

对照组的做法是让 DeepSeek V4 同时当策略提出者和编码者。他们的设置里 V4 依然负责写代码，只是把提算法的活让了出去。除了分数，还有两个细节：达到与基线相当的性能，token 少用了 9% 到 23%；模型提出的不只是 bug fix，还有新的机制。

推文下面 TJ 的总结挺传神：9B 负责规划，V4 负责打字，小脑大手脚。

jimerrors 注意到另一个点，这个拆分的关键不在能力边界，在预算分配。

RSI 的常见假设是模型自己改自己，参数越大改得越好。这次实验把提出和执行拆开，等于说改进速度卡在策略质量上，而不是写代码的手速。9B 模型在这种拆分下反而占了便宜：它不用背下所有实现细节，只需要从失败里学下一步该试什么。

代码开在 GitHub 上：https://github.com/HKUDS/AgentPilot

有点意思的是那句反问：最好的算法提出者，可能压根不需要是最大的模型。它只需要在每轮实验之后，变成一个更好的策略家。

如果策略质量比编码能力更稀缺，那堆参数的方向可能得重新排一遍。这话反过来说也成立，一个只会写代码、不会提策略的模型，能走多远。