三篇新论文凑到一起，说的是同一件事——决定智能体上限的，往往是外面那层"套壳"。arXiv 上的 Turbo Harness 指出，现有 harness 优化基本只产出一个全局版本，换个场景就掉链子。它的做法是按实例动态适配，给不同场景配各自最合适的套壳。作者把这看作智能体递归自我改进的关键一步——能改自己的工具，才谈得上改自己。
Cogentic 走多智能体编排路线，目标很硬：自动证明开放数学问题。前沿模型单次提问能给出不错的想法，但单发模式没法自我校验，错了也不知道。Cogentic 把猜想、验证、修补拆给不同智能体，串成一条可循环的证明流水线。那些没人做完的题，开始出现机器参与的解法。
WorldAuditBench 盯的是 3D 世界。研究行为时，交互式三维环境用得越来越多，可里面的穿模、悬浮物体之类，靠人工挑太慢。这套基准让多模态智能体自己进场景里逛，主动发现问题，产出审计报告。它把"世界模型好不好"变成了能打分的测试题。
三个工作放一起看，路线很清晰：给智能体配更贴合任务的脚手架，再让它们组队干复杂活。数学证明、3D 场景审计、优化自己的 harness，都是同一套逻辑的延伸。短板也像——评测仍依赖人工设计的环境和题目，放到真实开放场景能跑多远，还得再看。