Memdoor 复现 GVS5H：5 个 Qwen3.8-27B 组队在 LiveCodeBench Hard 前 10 题均分 9.8/10，高于 Fable 5 单次调用的 8.0

核心背景与行业痛点

前沿编码能力通常靠更大、更贵的闭源模型换来。10 月下旬刷屏的 GVS5H 论文（Persis Capital 研究实验室，arXiv 2608.26480，10 月 25 日登上 Hacker News 第一）提出「基于账本的零样本自编排」：不训练，只让同一个模型的多个新实例通过共享文件协作。论文称在 100 道最新 LiveCodeBench Hard 题上最多提升 25.6 个百分点。问题是单篇论文、单一 harness 的结果有没有人能独立复现。10 月 31 日，开源编码 Agent 工具 Memdoor 的作者 guregodevo 给出了一份复现。

架构亮点与底层机制

Memdoor 的 team-solve 是一个 YAML 工作流：plan 读题写计划和 notes.md 账本；ideate-a 和 ideate-b 并行提方案，A 找最直接可证明的算法，B 换一类技术路线；solve 选方案写 solution.py；test 由脚本跑样例；review 和 repair 根据真实测试输出修代码。每个角色都从全新上下文开始，只经磁盘文件交流。作者用测试脚本逐字节比对，确认请求与 GVS5H 原版完全一致，温度、top_p、128K 回复上限、最多 10 轮也照搬；不同之处是模型托管改走 OpenRouter，而不是作者自建的 FP8 vLLM。

权威 Benchmark 与实测跑分对比

以下为项目方口径：GVS5H 列表前 10 题、每题 5 轮，Memdoor 平均 9.8/10，作者原版 harness 9.6，Fable 5 单次调用 8.0。50 次运行 49 次解出，花费 35.79 美元。作者列出两类失分：管理者编造了错误的反例，导致正确程序被改坏；以及已通过隐藏测试的程序被后续轮次覆盖。局限也写得很清楚：只有 10 题；题目来自 2025 年 3–4 月，不能排除污染；Fable 5 那一列来自原作者文件，没在这个 harness 里重跑。所以它证明的是「方法可复现」，不是「27B 全面超过 Fable 5」。

开发者实战落地与开箱指南

用官方脚本安装 Memdoor，运行 memdoor connect openrouter（也支持 anthropic、openai、gemini、chatgpt，或用 memdoor connect local 接 Ollama、llama.cpp、vLLM、LM Studio），把 examples/workflows/team-solve 复制到 ~/.memdoor/workflows/，在题目目录放 task.md 和成对的 tests/N.in、N.out，再执行 memdoor workflow run team-solve --wait。工作流不绑定模型，可以换成本地模型。可借鉴的是两点：让脚本而不是模型判定成败；多角色只通过文件交接，便于审计和断点续跑。单题中位成本 0.39 美元，但耗时长，更适合离线批处理，不适合交互式补全。