DarwinX 是什麼？不改模型，先改 agent 外殼

Salesforce 最近丟出一篇論文：同一顆完全沒重練的 GPT-5.5，只改外層的工具和流程，終端機解題率就從 75.5% 拉到了 83.2%。

這篇論文叫 DarwinX，7 月 31 日上了 arXiv。往前兩週，8 月 5 日 Meta 的 Muse Code 走的是另一條路：把模型和外殼綁在一起練。Salesforce 賭的則是反方向——模型這顆腦子可以完全不動。

對在台灣、香港跑 Claude Code 的人來說，重點不在又多一個實驗室名詞，而在你每週都在改的 rules、skills、hook。

來源：Zhang 等人，DarwinX: Evolving Agent Harnesses Through Natural Selection，arXiv:2608.07545，投稿 2026-07-31。文中數字都是論文自己報的，沒有第三方重跑。

DarwinX 是什麼？

先講白話：DarwinX 不是你今晚能下載安裝的 coding agent，而是一套決定「哪一版外殼可以留下」的規則。

論文把模型外面那層東西叫做 harness（外殼），也就是提示詞、工具、筆記，以及先做什麼、再做什麼的流程。Salesforce 內部的 agent 叫 Monet；DarwinX 則是幫 Monet 不斷換外殼、留下好版本的方法。

模型權重從頭到尾鎖死，所以分數若有提升，只能算在外殼頭上。換句話說：模型沒更新，不代表 agent 沒變強。

它想解決的，其實是你自己改 skills 時很常卡住的兩件事。其一，一條改動線一直延伸下去，早期的某個決定會把後面整條鎖死，分數就停在這。其二，A 類任務修好了，B 類卻悄悄壞掉。

更早的自我改寫系統，例如 Darwin Gödel Machine，也會把舊版本存下來，但新版本多半只跟「上一版」比，很少把兩條各會解不同題的路線合回來。DarwinX 把門檻寫死：新版本一定要多解開題，舊題掉分也不能超過上限。

它怎麼決定哪一版留下？

沒有人在旁邊點頭說「這版比較好」，也不准偷看標準答案。分數來自各測驗自己的自動判分，看的是同一題重複跑幾次、平均能通過幾次。

新版本要比舊版本多解開題，舊題掉分還得壓在一個上限內。論文把這條規則叫 preserve-and-extend（保留並擴充），白話講就是：只能擴充，不能拆東牆補西牆。

嘗試階段，帶一點風險的版本可以先進候選名單；但要拿它當下一輪的起點，還得再考一次，而且考得更嚴。

輸的版本也不丟。整體表現較差的那一版，很可能正好是唯一解得開某題的版本，所以兩版要合併時，新的必須把雙方會的題都保住。合併只能讓會解的範圍變大，不能為了總分好看就犧牲覆蓋率。

它看三種線索，而且都只用來改外殼、不改模型：看失敗紀錄，找出缺哪一步；看更強的示範 run，學它怎麼做；再拿自己過關和失敗的次數對比，找出怎樣才穩。

這跟先把合法路徑畫清楚，再讓模型自己 loop是同一種直覺：下一步可以交給模型決定，但升級規則必須先寫死。

差別在 DarwinX 不是先畫一張流程圖，而是同時養很多版本，丟掉會害舊題掉分的。

論文自己報了哪些數字？

看這些數字，關鍵是先比同一顆模型的前後差，不要拿去跟別人的產品榜對打。公開榜用的模型和思考深度都不一樣，論文自己也說那只是參考，不是公平賽。

他們用四個測驗，一步步把「練習時看得到的分數」和「真正拿來交卷的考題」拉開。

Terminal-Bench 2.1 是練習和考試同一套題。GPT-5.5 鎖死時，Monet 從 75.5% 到 83.2%，多了 7.7 分。

換成 GPT-5.6 Sol、中等思考深度，論文報 84.7%。Claude Code 搭配 Fable 5、開到最高思考深度是 83.8%；OpenAI 自己的 GPT-5.6 Sol 則是 81.8%。

漲分多半出現在步驟又臭又長的題：機器學習和科學計算加 14.8 分，資料庫類加 13.8 分。88 題能配對的裡面，36 題變好、43 題沒變、9 題變差。

TerminalWorld 用 94 題練習，再用沒進過篩選的 41 題考試。Opus 4.8 解出 28 題，也就是 68.3%；沒改外殼前是 25 題。

練習那組卻從五成衝到滿分。這代表迴圈裡用來挑選版本的分數，會把自已被騙過去——練習分數漂亮，不代表考試也會漂亮。

WebArena-Infinity 用 300 條假任務練習，再用 1,260 題真網站任務考試。GPT-5.5 鎖死時，剔除他們判定無效的軌跡後，一次過關率從 43.5% 升到 93.0%。被標成無效的軌跡，一律當作沒過。

SWE-bench Verified 只拿來測「換考場還能不能用」。Terminal-Bench 練出來的外殼原封不動跑 500 題 GitHub issue，論文報 84.2%，對照組是 80.8%，只多 3.4 分。他們拿來比的那幾套外殼，分數都落在 80.8% 到 84.2% 之間。換考場的漲幅，明顯比在原考場小得多。

論文還寫到成本：新解開的 6 題，大約從 11 輪做到 22 輪，token 從 8.9 萬加到 38 萬；本來就會的 69 題幾乎沒多花，13 輪對 12 輪。他們要證明的是：外殼變聰明之後，知道哪題該繼續磨，不是每題都砸更多錢。

哪些地方不要照單全收？

先講限制。Monet 沒開源，DarwinX 也不是安裝檔，你現在買不到、也裝不到，能帶走的只有那套篩選規則。

其次，作者沒有把功勞拆開來證明。版本庫怎麼建、選哪個當下一版、怎麼合併、推論要花多少，都沒有分開抽樣重跑。

他們認為「先核對、再收工」最能解釋 Terminal-Bench 為什麼漲，可這是事後推測，不是一項一項拔掉重測。瀏覽器那場，把兩個版本合起來到底有沒有比單線一直改更好，他們也說還沒做對照。

第三，題數和機器都很吵。TerminalWorld 沒看過的考題只有 41 題，多解一題就差 2.4 個百分點；跟 Claude Code 比，作者自己寫的是「看起來比較好，但統計上算不準」。

第一輪沒看過的考題還碰上機房不穩，後來依事先訂好的規則重跑。SWE-bench 也只測單向搬家，因為練習時看得到的訊號是「流程有沒有跑完」，不是官方測試有沒有過。

第四，瀏覽器那場，agent 能寫 JavaScript 去控 Chrome。他們用程式加另一顆模型去抓作弊，但這不算把 agent 關進真正的沙箱。

有些軌跡要人看，少數根本拿不到，所以論文同時報「原始分數」和「剔除無效後的分數」。

限制講完，能信的其實很窄：模型鎖死時，認真篩外殼，分數確實會動；但不能信的是這套東西已經是你今晚能裝來取代 Claude Code 的產品。

在台灣現在能偷師什麼？

別等 Salesforce 開源。今晚就能用的，是三條規則，跟你跑的是 Claude Code、Codex，還是自己組一層 plan、test、review都無關。

1. 升級要寫成門檻，不要寫成感覺。 新 skill、新 hook、新分身，都得講得出多解了哪題、舊題有沒有掉；沒有自動判分，至少留一組回歸題。
2. 輸的版本先存著，別刪。 永遠只留最高分那一版，很容易把「只會解某一題」的版本一起丟掉。練習滿分的那隻，不一定在沒看過的題上最穩。
3. 先改外殼，再吵要不要換模型。 Muse 把模型和工具綁著練；DarwinX 證明同一顆權重其實還有一段可以擠，而對 API 帳單來說，通常也比較便宜。

利益揭露：以下是聯盟連結，桌面開發者 4 件套能讓鍵盤和線材就位，但管不了 agent 能讀哪些檔。

常見問題

DarwinX 是什麼？ Salesforce 實驗室用來篩 agent 外殼的規則。模型權重不動，只改提示詞、工具、技能包和流程。Monet 是他們內部的 agent，DarwinX 是決定哪一版留下的方法。

跟微調差在哪？ 微調改模型腦子。DarwinX 鎖死腦子，只換外殼，而且新版本必須多解題、舊題又不能掉太多。

Terminal-Bench 數字能拿來排行嗎？ 不能當獨立複測。只能看同一顆模型前後差：GPT-5.5 多 7.7 分到 83.2%，GPT-5.6 Sol 論文報 84.7%。別人的產品榜，模型和設定都不一樣。

現在裝得動嗎？ 裝不到。論文沒給安裝包。該帶走的是門檻和封存，不是下一條指令。

下次再看到「我們的 agent 又創新高」，先問模型有沒有重練、新功能會不會弄壞舊題。答得出來，才是在做外殼工程；答不出來，多半只是換了一顆更貴的模型。

本文根據 arXiv:2608.07545 整理。測驗數字都是作者自報，未經獨立複測。查核日期 2026-08-15。