根据宾夕法尼亚州立大学、UCSC 和亚马逊最新论文《Harness Updating Is Not Harness Benefit: Disentangling Evolution Capabilities in Self-Evolving LLM Agents》，研究人员发现，不同 AI 代理之间的设备更新能力呈现出一种“扁平化”的模式。交叉测试显示，不同模型的设备更新带来的性能增益仅相差 3.1%，即使 9B 规模的 Qwen3.5-9B 模型，其更新在结构上也与旗舰 Claude Opus 4.6 等价。
不过，代理从更新设备中获益的能力呈现非单调趋势。像 Qwen3-32B 这类弱模型会面临两种关键失效模式：“设备激活失败”，其技能加载率只有 25.1%，而更强模型为 96%；以及“设备合规失败”，在延长执行过程中，指令遵循度会从 0.52 急剧降至 0.13。AI 研究员 Elvis Sar 指出，他在编码代理实验中也观察到了类似模式，表明计算预算应优先投入执行型代理，而不是进化引擎。
