模型权重一个字节没动，解决真实编程任务的数量直接从 43 题暴涨到了 72 题

模型权重一个字节没动，解决真实编程任务的数量直接从 43 题暴涨到了 72 题。 这不是发布了下一代大模型。 也没有投入天价算力做微调。 工程师只是给它换了一件「外套」。 整个行业都在死磕参数规模、训练数据和基准榜单。 所有人都在默认一个前提： 编程智能体能否解决工程难题，全看基座大模型够不够聪明。 但如果决定一个 AI 程序员生死的，其实是包在它外面的脚手架呢？ 大语言模型写代码时，最致命的顽疾是什么？ 是鬼打墙。 大模型本质上是一个概率预测引擎。 它没有内置的重试计数器，也没有真正的挫败感。 当它写出的代码报错时，大段的错误日志会被原封不动塞回上下文。 模型在看到这堆报错信息后，注意力会被错误日志强行牵引。 它会在同一个概率泥潭里打转，用差不多的语法反复修改同一个错误，陷入无限死循环。 最后耗尽 Token 额度，超时崩溃。 为什么越聪明的大脑，越容易在长流程任务里原地转圈？ 因为给它的历史信息越多，它被自身生成的错误垃圾锁死的概率就越高。 这台打破瓶颈的机器，叫脚手架确定性干预。 在编程智能体的体系里，系统是由两部分构成的： 大脑，也就是底座大模型。 脚手架，也就是负责管理上下文、调用工具和监控执行环境的控制外壳。 计算机学者 Sydney Lewis 在一篇关于智能体脚手架的论文（arXiv:2608.26218）中，做了一组极其干净的对照实验。 模型权重完全冻结，测试任务完全固定。 对照组使用行业最普遍的朴素脚手架： 把所有对话历史和工具输出，按时间顺序原封不动叠进上下文。 实验组只在脚手架上加了两台极简的机械装置。 第一台装置：陈旧工具输出的半衰期修剪。 随着交互轮数增加，脚手架不等上下文被撑爆，主动把较早之前终端工具吐出的大段日志机械式压缩折叠。 它只保留最近几轮的高精度上下文。 不让失效的堆栈追踪占用注意力带宽，把最宝贵的上下文窗口留给当下的代码逻辑。 第二台装置：死循环检测与硬打断。 脚手架在后台静默监控终端命令日志。 它不看模型的文字解释，只看实际执行动作。 一旦检测到模型在连续使用相同的命令、反复撞上同一类报错，脚手架立即强行介入。 它不等模型自己觉醒，直接往上下文注入一条不可抗拒的确定性指令： 你正在重复无效动作，立刻放弃当前策略，更换全新解法。 这套看似简单的外壳改造，在严苛的基准测试中打出了震撼的数据。 在针对真实代码修复的 SWE-bench Verified 榜单上： 测试选取了 169 道真实开源项目任务，把上下文窗口严格压在 20,480 Token，并设定 480 秒硬性超时。 在面对严苛的上下文和时间压力时： 朴素脚手架只解决了 43 道任务。 换上确定性干预脚手架后，完全相同的模型成功解出了 72 道任务。 任务从失败到通过的平均比例，直接从 28% 飙升到了 49%。 更具说服力的是： 当研究人员把这套完全冻结的脚手架，套用到另外 3 个架构截然不同的基座模型上时，所有模型的任务解决数全部暴涨。 在宽松的大上下文窗口测试下，这套脚手架同样大幅削减了每轮对话的输入 Token 消耗，显著降低了推理开支。 技术行业长期存在一种模型拜物教。 评测机构习惯把编程任务的胜负，百分之百归功或归咎于大模型本身。 所有人都在苦等千亿参数的下一代权重，期待纯粹的算力奇迹能跨越工程鸿沟。 但真实的系统工程从来不是单点突破。 自回归大模型拥有惊人的发散创造力，却天然缺乏跳出局部最优的自律。 当一个概率系统被困在自己的错误记忆里时，指望它靠自身顿悟，就像指望一个人提着自己的头发离开地球。 真正让智能体产生质变的，是在概率系统周围搭起一层冷酷、确定、守纪律的工程脚手架。 用外部的规则清退过期的垃圾信息。 用外部的监工踢醒原地打转的思考。 决定生产力上限的，往往不是大脑拥有多高的智商。 是在智商陷入死胡同的那一刻，有没有一套清醒的机制，果断把它从泥潭里拽出来。