像带新人一样，AI 过去多半只负责完成一道题；这项实验让它直接当“教练”，自己设计课程、评分规则和训练安排。作者用 Qwen3.6-35B-A3B 作为训练 Agent，让它为 0.6B 或 1.7B 的小型 Qwen 编写完整训练任务，包括训练环境——规定模型能做什么、如何获得反馈——以及奖励、数据集和超参数配置，再把任务提交给真实 GPU 执行。
关键在于，教练的得分不看方案写得多漂亮，而看小模型训练后能否在隐藏评测——Agent 事先看不到的测试——中真正进步。作者称，54 轮外层训练背后共运行约 1750 次 GPU 训练任务，峰值奖励从约 0 升至 0.63。Agent 还逐渐少用较弱的 0.6B 模型：1.7B 模型在任务中的占比由 42% 增至 95%。
更有意思的是学习顺序：它先学会避免配置验证失败和 GPU 任务崩溃，之后才开始训练出更好的模型。这说明 Agent 正从“调用现成工具”走向组织一整套强化学习流程——即通过结果奖励反复改进策略。不过这些结果来自作者在 Reddit 的自述；留出的未训练任务虽有提升，但每组仅 10 次，作者也明确提醒波动较大。