AIBuildAI 开源递归自进化 PostTrain Agent，登顶 PostTrainBench

要理解 46.6 分的分量，先要看 PostTrainBench 把问题约束成了什么样子。按来源描述，这个基准（Rank et al., ICML 2026）给定基座模型和目标能力，要求 Agent 在单张 H100 上、10 小时内自主设计并执行后训练方案，全程无人干预；产出的 checkpoint 由基准方持有的、Agent 看不到的评测集打分。

这个设定把“后训练”从一项团队工程压缩成一次封闭考试：用什么数据、怎么配比，选监督微调、偏好优化还是强化学习，超参数和训练框架，全部由 Agent 自己决定。基准覆盖 4 个基座模型和 7 类任务，包括数学推理（AIME 2025、GSM8K）、写作（ArenaHard Writing）、通用问答（GPQA）、健康咨询（HealthBench）、代码（HumanEval）和函数调用（BFCL）。

综合分是七项任务的加权平均：AIME 2025 占 22.7%、GPQA 占 22.5%、HealthBench 占 18.4%、HumanEval 占 10.6%、GSM8K 占 9.4%、ArenaHard Writing 占 9.0%、BFCL 占 7.5%，每项任务取 4 个基座模型的均值。权重分布本身就说明，数学与通用问答几乎决定了总分的一半。

需要区分的是，人类专家基线 51.1 分来自各基座模型官方发布的指令微调版本，并不受 10 小时预算限制。也就是说，Agent 是在更紧的约束下逼近一个不受同等约束的参考值——这一点在解读“接近人类专家”时不应被略过。

AIBuildAI 的加权综合得分为 46.6，排名第一，高于所有前沿模型和 Agent 条目，仅次于人类专家基线的 51.1。榜单上紧随其后的是 Locus（45.6）和运行 Claude Fable 5 的 Claude Code（41.8），再往后是 GPT-5.6（36.2）、Claude Opus 5（35.0）、Claude Opus 4.8（33.8）、Kimi K3（32.0）、GLM-5.2（31.7）、Gemini 3.1 Pro（22.0）等。

与榜单上全部 Agent 相比，AIBuildAI 在 AIME 2025（15.8）、BFCL（95.8）和 HumanEval（69.0）三项上取得最高分；在 ArenaHard Writing、GPQA、HealthBench 和 GSM8K 四项上，与各自领先者的差距都在两分以内。

BFCL 的对比最能说明机制差异。该任务按函数调用能否被正确解析、是否符合给定 schema 计分，格式稍有不符即记零分：同样运行 Opus 5 的 Claude Code 平均只有 1.5 分，与未训练的基座模型持平；而 AIBuildAI 在四个基座模型上的得分全部不低于 94、平均 95.8，是七项任务中唯一超过人类参考（85.0）的一项。

AIME 2025 则是另一类信号：AIBuildAI 的 15.8 分之后是 Claude Fable 5 的 13.3 和 Locus 的 9.4。这一项在综合分中权重最大，也是所有 Agent 距人类参考最远的一项。

未经任何训练的基座模型在 PostTrainBench 上平均只有 7.5 分。按来源说法，Agent 在 10 小时内把综合得分提高了约 39 分——这个数字来自团队报告，属于来源主张而非独立确认。