Strong-to-Weak Scaffolding: Stronger AI Designs Cognitive Exoskeleton for Weaker Model
Salesforce AI and UIUC researchers propose Strong-to-Weak Scaffolding, where a stronger AI automatically designs a 'cognitive exoskeleton'—a harness of rules, tools, and checks—to boost a weaker model's capabilities without retraining. In a main experiment, a GPT-5.4 model with an average accuracy of 0.488 improved significantly using this approach, highlighting a shift from model-centric to system-centric AI capability enhancement.
Coverage timeline
机器之心机器之心
2026 年，AI 领域正在发生一个很容易被普通用户忽略、却可能相当深刻的变化。过去几年，行业讨论 AI 能力时，最常见的问题一直是： 模型有多大？推理有多强？下一代模型又提升了多少？ 但到了今年，越来越多注意力开始从 “模型本身” 移向模型周围的整个系统。2 月，OpenAI 就开始以 Harness Engineering 为题讨论如何通过环境、规则、验证机制和工程约束让 Agent 更可靠； 7 月，OpenAI 更是直接披露 Codex 每周用户已经超过 500 万，其中超过 100 万人的使用场景已经走出传统编程。Harness 这个「模型外部运行框架」也越来越频繁地进入企业 AI 的讨论中。 这一变化背后其实藏着一个比 “哪个模型更强” 更本质的问题： 一个 AI 系统的能力，究竟有多少存在于模型的大脑里，又有多少存在于组织这个大脑工作的方式里？ 我们可以做一个很简单的类比。如果语言模型是一名员工，那么过去提升 AI 的主流路线，是不断把这名员工送去培训：给它更多数据、更好的反馈、更昂贵的训练，最后真正改变它 “大脑里的参数”。这就是包括知识蒸馏、后训练在内的许多传统能力迁移方法。但另一条路线是： 完全不改变这个员工本身，而是给它设计一套更好的工作制度。 复杂任务先自动分类； 容易算错的部分交给计算器； 需要长期记忆的信息写进表格； 固定规则直接写成程序； 最后再设置检查清单，防止答案格式出错。 在这个过程中，员工的大脑一点没有变，但整个系统却突然变得可靠得多。从这个角度出发，来自 Salesforce AI 和 UIUC 的研究人员在最新的研究中，探索了这个问题的更激的进版本： 能不能让一个更强的 AI，自动为一个更弱的 AI 设计这套 “认知外骨骼”，从而在完全不训练弱模型的情况下，把自己的部分能力迁移过去？ 论文把这个问题称为 Strong-to-Weak Scaffolding。这一概念，也正是 「AI4AI」 最本质的样貌和雏形。 论文标题：AI4AI at Test-Time: Strong-to-Weak Capability Transfer via Harnesses 论文链接： https://arxiv.org/pdf/2608.12307 实验给出的答案相当惊人：在主实验中，一个原本平均准确率只有 0.488 的 GPT-5.4-
