LLM 能否自主改进自身运行框架？基于 ARC-AGI-3 的对照研究

研究发现前沿 LLM 自主构建并两次修订 ARC-AGI-3 任务框架后，平均保留集 RHAE 仅提升 2.80 分（95% 区间 [-1.44, 7.35]）。 实验显示开发集增益高估泛化能力，且降低推理成本可能牺牲任务性能，27 个谱系性能跨度从零到接近天花板。 自主框架构建与可靠适应间存在显著差距，强任务表现不保证后续修订能泛化或保留既有能力。