Harness^2: Recursive Agent Harnessing for an Open World
Aggiunta all'archivio di AIChronos il (numero del 14 ottobre 2026 ricostruito)· fonte del · Ruiyao Xu, Yanfei Chen, Zhongying CuiZhu, Bhavana Dalvi Mishra, Yifei Ming, Han Yu (Google)
Harness^2 è un framework plug-and-play che introduce due livelli di ricorsione per migliorare automaticamente gli harness degli agenti LLM in scenari open-world. A livello task-specifico, utilizza una procedura Propose-Probe-Compose contrastiva per rifinire l'harness senza bisogno di veriificatori ground-truth. Successivamente, a livello di harnessing, estrae le esperienze dai miglioramenti specifici del compito per aggiornare un modello continuo che generalizza meglio su scenari futuri.
- Risolve il problema della mancanza di verificatori ground-truth nei compiti open-world non visti durante la fase di progettazione dell'harness.
- Implementa una ricorsione a livello task per guidare le modifiche online senza supervisione diretta e scalabile tramite parallelismo o sequenzialità.
- Realizza una ricorsione a livello harnessing che trasforma i miglioramenti specifici in capacità generali adattive per compiti futuri.
- Raggiunge guadagni significativi su benchmark professionali come WorkBuddy-Bench (fino a 11.5 punti) e LAB (11.8 percentage points).
- Dimostra una consistenza nel miglioramento delle prestazioni sia di GLM-5 che di Gemini 3.5 Flash rispetto ai loro harness base.
Perché conta. Per gli sviluppatori, Harness^2 offre un metodo pratico per superare i limiti della generalizzazione degli agenti in ambienti dinamici senza richiedere dati annotati o veriificatori predefiniti.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.