为什么 ARIS 坚持用两个模型审稿？跨模型对抗协作原理深度揭秘-开发者社区

为什么 ARIS 坚持用两个模型审稿？跨模型对抗协作原理深度揭秘

【免费下载链接】Auto-claude-code-research-in-sleepARIS ⚔️ (Auto-Research-In-Sleep) — Lightweight Markdown-only skills for autonomous ML research: cross-model review loops, idea discovery, and experiment automation. No framework, no lock-in — works with Claude Code, Codex, OpenClaw, or any LLM agent.项目地址: https://gitcode.com/gh_mirrors/au/Auto-claude-code-research-in-sleep

ARIS（Auto-Research-In-Sleep，睡眠中自动做研究）是一款纯 Markdown 的轻量级自动化 ML 研究工具集，它的核心机制是跨模型审稿（cross-model review）：一个模型负责执行研究，另一个完全独立的模型负责审稿打分，两者轮流转，直到论文质量达标。很多新手都会问：为什么 ARIS 非要"两个模型"配合，而不是让同一个模型既当运动员又当裁判？本文带你从零看懂这套跨模型对抗协作的设计原理，以及它如何让研究质量在几轮循环里稳步提升。

💡 一句话总结：执行模型驱动流程，独立模型做裁决——"它能驱动（drive），但永远不能自证清白（acquit）"。

为什么"同一个模型自审自批"行不通？

这是理解 ARIS 的第一个关键问题。让 Claude 写代码、再让 Claude 检查自己的代码，听起来很省事，但 ARIS 的官方文档README.md直接给出了结论：

为什么不用单一模型自博弈？同一个模型审查自己的模式，会陷入局部最优（local minima）——它会产生"盲区"，看不见自己习惯性的错误。

ARIS 用一个博弈论类比来解释这件事：

单模型自审 = 随机性赌博徒问题（stochastic bandits）：噪声是"可预测的"，模型总能猜到自己会怎么犯错，所以自审很容易"蒙混过关"；
跨模型审稿 = 对抗性赌博徒问题（adversarial bandits）：审稿模型会主动攻击执行模型没有预料到的薄弱环节，而这种对抗在原理上更难被"钻空子"。

换句话说，两个不同家族的模型（比如 Anthropic 的 Claude 和 OpenAI 的 GPT）训练数据、推理风格、审美偏好都不同。你的"盲区"恰好是对方的"锐眼"。这就是 ARIS 坚持双模型的根本原因。

双模型对抗协作的工作流程是怎样的？

跨模型审稿在 ARIS 里由 skills/auto-review-loop/SKILL.md 这个技能实现，它是一个完全自主的循环：审稿 → 修复 → 再审稿，最多 4 轮（MAX_ROUNDS = 4）。

整个流程可以拆成 5 步：

Phase A 审稿：执行模型把论文草稿、代码、原始实验结果以文件路径的形式交给审稿模型（默认是 Codex MCP 里的 GPT-6-Astra，开 xhigh 推理强度），并附上一句狠话："请假设这份工作在某个地方是坏的，你的任务就是找到它。"
Phase B 解析：审稿模型返回 1–10 分 + 结论（ready / almost / not ready）+ 按严重程度排序的弱点清单。
Phase C 修复：执行模型按优先级逐项修复——改代码、跑实验、补分析、更新文档。
Phase D 等待结果：实验跑完，收集结果，顺便做训练健康检查。
Phase E 记录：把本轮全部原始审稿意见一字不差地存档，然后进入下一轮。

只有当分数 ≥ 6 且结论是 ready/almost 两个条件同时满足时，循环才停止（停止条件）。每轮结束时，tools/review_gate.py 会做一道"停止门禁"校验，防止执行模型自己宣布"我过关了"。

上面那张分数曲线图就是真实运行的记录：初始审稿 5.0 分 → 4 轮对抗循环后 7.5 分，稳稳越过投稿门槛线。

三种对抗强度，你可以按需选择

ARIS 还设计了三个"难度档位"（REVIEWER_DIFFICULTY），对抗性逐级加强：

档位	审稿方式	适合场景
🟢 medium（默认）	执行模型提供上下文，审稿模型独立判断	日常迭代
🟠 hard	审稿模型拥有跨轮记忆，还会执行辩论协议：执行模型可以对审稿意见逐条反驳（rebuttal），审稿模型再裁定"成立 / 驳回 / 部分成立"	重要节点
🔴 nightmare	审稿模型直接`codex exec`读取整个仓库——执行模型无法过滤它看到的内容，审稿人独立核对"论文里的数字和代码里的结果是否一致"	投稿前终检

nightmare 模式的注释说得很直白：这是"最接近一个真实的敌意审稿人读你的论文和补充材料"的场景。

审稿人独立性协议：内容必须"原封不动"地送达

跨模型对抗要真正起作用，还有一个前提，写在 skills/shared-references/reviewer-independence.md 里：

内容必须以未过滤的状态到达审稿人。执行模型只提供文件路径和任务，审稿模型自己去读、去判断。

为什么这么严格？因为一旦执行模型先给审稿模型"总结""解读"，审稿模型审的就不是你的论文，而是执行模型的框架——这等于把异构审稿要消除的"相关盲区"又带了回来。

所以协议划了一条清晰的线：

✅可以传给审稿模型：角色设定（"以 NeurIPS 级审稿人身份评审"）、文件路径、审稿任务；
❌禁止传给审稿模型：执行模型对内容的总结、解释、上一轮审稿反馈的"执行方解读"。

配套的 skills/shared-references/reviewer-routing.md 还规定了模型家族必须跨家族（Claude ↔ GPT、Google 等），同家族组合直接 fail-closed（拒绝运行）。这套"证据链"设计在 ARIS-Movie-Director 项目里也用同样的模式落地——每一格画面都要过"CC / Gemini / Codex"三方 panel_gate 的对抗审核才能通过：

审稿意见到底长什么样？

真实运行中，独立审稿模型给出的意见是这种风格（来自社区论文评审展示）：

注意细节：审稿人不仅给了分数，还回答了"为什么不是 6 分？为什么不是 8 分？"——这种"分数校准"式的对抗追问，正是单模型自审几乎不会主动做的事。

为什么是"两个"模型，而不是四个、八个？

ARIS 在README.md里也正面回答了这个问题：

为什么两个，而不是更多？两个是打破自博弈盲区的最小数量，而且 2 人博弈比 n 人博弈收敛到纳什均衡要高效得多。再加审稿人只会增加 API 成本和协调开销，收益递减——最大的收益来自 1→2，而不是 2→4。

同时，两个模型的风格恰好互补（README.md）：

Claude Code：快、流畅、擅长执行（speed）；
Codex（GPT-6-Astra xhigh）：慢，但批评更审慎、更严苛（rigor）。

速度 × 严谨的组合，胜过任何一个模型自己跟自己说话。

没有 Claude 或 OpenAI 的 API？照样能跑

"跨模型"不等于"Claude + GPT 二选一"。ARIS 内置了 10 条替代路线（Z.ai GLM、阿里 Kimi/Qwen、MiniMax、ModelScope 免费 DeepSeek、OpenRouter、Google Antigravity 的 Gemini 等），完整路由表见 docs/MODEL_COMBINATIONS.md。唯一不可妥协的不变量是：审稿模型和执行模型必须来自不同家族，任何同家族组合都会被系统直接拒绝。

审稿通道本身也是一个独立的小型 MCP 服务器（mcp-servers/codex-exec/），即使宿主是 Codex CLI 而非 Claude Code，同一套跨模型审稿流程也原样可用——这正是 ARIS"无框架、无锁定"设计哲学的体现。

快速上手三步

克隆仓库：

git clone https://gitcode.com/gh_mirrors/au/Auto-claude-code-research-in-sleep

按 SETUP_GUIDE.md 安装 skills 并注册 Codex 审稿器；
对任意研究技能追加跨模型审稿指令，例如：

/auto-review-loop "my research topic" — difficulty: hard

剩下的交给两个模型去"对抗"，你只需要第二天早上看review-stage/AUTO_REVIEW.md里的最终分数和结论。

小结

🔍为什么双模型：单模型自审有相关盲区，跨模型对抗才能暴露你没预料到的弱点；
🔄如何运转：review → fix → re-review 自主循环，分数 + 结论双条件达标才停；
🛡️如何保证公正：审稿人独立性协议 + 跨家族强制校验 + 可审计的证据链；
⚖️为什么是两个：两个是打破自博弈盲区的理论最小值，且性价比最高。

如果你正在用 LLM Agent 做研究，不妨把"让另一个家族的模型来当审稿人"写进你的工作流——这可能是当前投入产出比最高的一个设计决策。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

为什么 ARIS 坚持用两个模型审稿？跨模型对抗协作原理深度揭秘