先看证据
从学术框架到工业级攻坚的转变
百度文心团队于 2026 年 11 月 9 日正式介绍了 ERNIE Evolve，这是一个专门用于自动化 AI 研发的智能体系统。给定一个代码仓库、优化目标和明确的评测标准，该系统能够自主选择研究方向、修改底层代码、运行实验，并基于验证结果决定取舍。这并非一个面向终端用户的对话大模型产品，而是一套旨在实现递归自改进（RSI）的底层工程研究系统。在百度的技术图谱中，此前已沉淀了包括多款基础大模型与框架序列，而 ERNIE Evolve 的出现则将这一路线推向了自主迭代代码本身的新阶段。
这一系统的推出之所以值得技术负责人高度关注，是因为它直接切入了 AI 基础架构中最难啃的硬骨头：训练算法的收敛速度与推理内核的极致吞吐。过去，这类优化高度依赖资深系统工程师的经验与长周期摸索，而 ERNIE Evolve 尝试将这种启发式探索封装进系统化的搜索空间中。它不仅在 NanoChat AutoResearch 测训练算法、NanoGPT Speedrun 测训练速度、SOL-ExecBench 测 GPU kernel 优化等公开基准上取得了突破，还直接被部署到仍在开发中的 ERNIE-5.5-Flash 推理优化任务中。对于正在构建复杂分布式系统和推理加速的团队来说，这种用智能体接管底层迭代的思路，正在把过去遥不可及的递归自改进拉入现实的工程边界。
内外双循环与隔离评测的控制机制
ERNIE Evolve 的核心架构建立在内外两层循环的精密配合之上，用以确保搜索过程既有广度又不会失控。在外层循环中，由 Director 角色结合经验库与外部知识库选择研究方向，并可并行开设多条互不干扰的研究线；在内层循环中，Selector 负责从特定分支的代码树中选择候选版本并命名下一步假设，Executor 则在严格隔离的环境中执行具体的代码编辑与实验。整个体系通过多条并行研究线同时推进，即使某条分支失败，也会被完整记录在经验库中，确保后续轮次能够自动规避相同的死胡同。
为了防止智能体在优化过程中投机取巧或产生过拟合，系统引入了放置在待优化仓库之外的隔离组件。Evaluator 作为独立的评测程序对候选改动进行性能和正确性校验，且其逻辑对智能体完全不可见，任何收益都必须明确超过设定的噪声阈值才能被认可。与此同时，Reviewer 负责检查代码改动是否真正符合预期的研究方向，并排查是否利用了评测体系的漏洞。这种将改代码的智能体与管裁判的隔离程序彻底解耦的设计，保证了只有通过双重严格校验的改动才会被真正合并进代码版本库。
公开基准测试的实绩与指标边界
在公开基准测试的实际表现中，百度在多项任务上展现出了极强的代码工程调优能力。在 NanoChat AutoResearch 任务中，系统需要在单 GPU 和 5 分钟的严苛预算内优化验证集指标，其生成的方案在验证集上的 BPB 达到了 0.8763，优于百度列出的公开最佳 0.8878。其具体改动策略包括在模型旁增加 n-gram 预测分支和训练文档检索分支，并通过 learned gate 进行动态混合，同时配合稀疏优化器与 Triton 融合 kernel 来降低系统开销。
在 NanoGPT Speedrun 任务中，系统同样展现了对底层训练性能的强力压榨。在 Track 1 测试中，系统在 8×H100 硬件环境下仅耗时 38.9 秒便达到了目标损失，刷新了 39.9 秒的公开记录，其改进主要集中在通信重叠、反向传播优化以及输出层梯度计算上；在 Track 3 测试中，系统通过将权重进行方向与幅度分解并引入 EMA-Nesterov 外推，将达到目标损失所需的步数从 2,690 步缩减至 2,590 步。然而，这种优势并非全线压制，例如在 SOL-ExecBench 任务中，其平均 SOL 得分为 0.819，略低于排行榜最佳的 0.827，这说明该系统在面对特定的底层 GPU kernel 极端优化时仍存在边界。
昆仑芯与真实推理工程的深度攻坚
除了标准学术基准，百度还进一步将 ERNIE Evolve 投入到处于开发中的 ERNIE-5.5-Flash 真实工程任务中，在昆仑芯 P800 等硬件上验证了其解决复杂系统瓶颈的能力。在低延迟推理优化任务中，经过 4 轮自动化研究，生成速度最终达到了基线的 623.6%。具体而言，第 1 轮实验自动启用了融合 mHC 与多 token 预测层的投机解码，使速度跃升至 282.9%；第 2 轮切断了大量 host 端开销，将速度推高至 588.8%；直到第 4 轮，系统自主修复了调度逻辑，彻底打通了 DeepEP 的低延迟通信路径。
在其他生产级推理场景中，该系统同样带来了立竿见影的确定性收益。在 SGLang 的确定性模式下，经过约 3 天的自动化运行，系统的推理吞吐量提升了 33.7%，平均每 token 生成时间下降 26%，首 token 延迟下降 12%，其中单是自动编写的一个 Triton 确定性采样核就贡献了主要的性能跳跃。在单请求 GPU 投机解码任务中，在保证输出精度完全一致的前提下，解码速度实现了 14.9% 的实质性提升，证明了该系统在多变硬件和复杂生产环境下的实用价值。
技术边界、潜在代价与实际判断
尽管 ERNIE Evolve 在多项内部测试和公开基准中展现了惊人的生成效率，但技术团队在评估和引入此类系统时仍需保持清醒的工程审慎。首先，该系统目前完全处于闭源状态，且百度并未披露驱动其智能体的具体大模型参数，所有性能增益均基于自测数据，且部分基准的领先优势幅度相对较窄。其次，所谓 623.6% 的生成速度提升具备严格的场景边界，它建立在昆仑芯 P800 平台上原有低延迟路径未被充分激发的基线之上，无法简单推广至所有异构硬件环境。
对于研发主管而言，ERNIE Evolve 的真正价值不在于盲目追逐那些微弱的跑分记录，而在于其揭示了一种极具参考价值的工程范式。将内外双层循环、隔离评测（Evaluator）与合规复核（Reviewer）组合在一起，确实能够让智能体安全地接管部分过夜调优与内核重构工作。在未来的系统架构设计中，团队完全可以借鉴这种将评测逻辑剥离至代码库之外的沙盒对抗思路，让人工智能在有边界的自动化框架中，真正承担起繁重的底层代码演进任务。