滨州pvc管道管件胶 不换模型，果提升104！上海AI Lab让Harness也能自进化了

让 AI自己改自己的 Agent Harness滨州pvc管道管件胶 ，这事已经被顶 Agent 社区注意到了。

上海人工智能实验室团队提出的 Self-Harness，近期被LangChain CEO、联创始人 Harrison Chase转发，也被前 OpenAI 总裁 Lilian Weng收进自进化 Agent 相关博客。

它盯上的不是换模型，而是 Agent 外层那套 Harness。

做法很直接。模型先检查自己的运行轨迹，从失败里挖出模式，再提出有边界的 Harness 修改，后交给回归测试决定要不要采纳。

实验结果显示，在 Terminal-Bench-2.0 上，底层模型、工具环境和评测协议都保持不变，只改 Harness，三个模型后端都拿到了 held-out 提升。

其中 Qwen3.5-35B-A3B 总提升达到104，MiniMax M2.5 和 GLM-5 分别提升28和24。

论文和项目已经公开，文末附链接。

△LangChain CEO/co-founder Harrison Chase 转发 Self-Harness 让 Harness 自己进化

Agent Harness 可以理解为包在模型外层的套运行装置，覆盖系统提示词、工具使用规则、验证器、运行时控制策略和轻量 middleware。

在多轮工具任务里，它决定 Agent 怎么调用工具，什么时候停，失败后怎么恢复，产物又该如何验证。

过去，这套东西主要靠工程师手调。要读大量执行轨迹，找失败原因，改提示词或工具规则，再反复跑 benchmark。

模型越多、任务越杂，Harness 就越难继续按"模型套人工调参"的式扩展。

△三种 Harness 改进范式：人工改、强模型外援改滨州pvc管道管件胶 ，以及 Self-Harness 让模型基于自身轨迹改 Self-Harness 怎么工作

换到 Self-Harness，流程被压成三步。先挖弱点，再提改法，后跑回归。

Weakness Mining：从失败轨迹挖弱点

系统先让当前 Harness 驱动固定模型完成批任务，记录完整执行轨迹、工具调用和评测结果。

失败样本不会被当成孤例处理。Self-Harness 会结验证器反馈、Agent 行为和失败之间的因果关系，把可复用的失败机制聚起来。

这样，"某个任务没过"会变成"这类失败可能来自同种 Harness 缺陷"。比如缺少终产物、重复执行命令、工具报错后不恢复，或者探索太久却迟迟不进入实现。

Harness Proposal：提有边界的改法

拿到结构化失败证据后，同个模型会切换成 proposer，针对已挖出的失败机制提出候选 Harness edit。

这些 edit 只能落在预先声明的可编辑表面上，不能把整个 Agent 控制架构倒重来。

每个提案都要说明想改变哪种行为，可能带来什么回归风险，以及为什么可能修好当前失败模式。

Proposal Validation：用回归测试拍板

候选 Harness 会在同评测协议下重跑，并和当前 Harness 对比。

接受规则很保守。held-in 或 held-out 至少个 split 要提升，另个 split 不能退化，才会进入下代 Harness。

这也是它和普通"自动改 prompt "的差别。Self-Harness 不让模型凭感觉拍板，而是把每次改动都放进可记录、可复现、可回退的评测闭环里。

△Self-Harness 自改进闭环，包括弱点挖掘、修改提案和回归验证不换模型，只改外层也能涨

论文在 Terminal-Bench-2.0 上做了系统评测。

Terminal-Bench-2.0 是个多轮智能体 benchmark，任务运行在容器化终端环境中，覆盖文件管理、命令执行、错误恢复、产物验证等真实工具使用能力。

在固定模型、工具集、任务环境和评测配置的前提下，Self-Harness 只改 Harness。结果三个模型都出现提升。

MiniMax M2.5 总提升28，Qwen3.5-35B-A3B 总提升104，GLM-5 总提升24。

这组结果的不是又换了个强模型，保温护角专用胶而是在同个模型外面，Harness 本身也可以被搜索、验证和迭代。

△Terminal-Bench-2.0 结果，三个模型后端在 Self-Harness 后均获得 held-out 提升

重要的是，每个候选修改都经过 held-in 和 held-out 回归测试。

换句话说，Self-Harness 不是堆长的提示词，而是在次次验证门控后，只留下真的带来收益、又没有明显回退的 Harness edits。

△Qwen3.5 Self-Harness 进化路线，通过多轮验证门控保留有 edits 不同模型暴露出不同弱点

Self-Harness 的另个观察像工程现场。不同模型不是同种失败。

MiniMax M2.5：找到线索后迟迟不交付滨州pvc管道管件胶

在初始 Harness 下，MiniMax M2.5 有时会持续探索数据集。即使已经找到关键元信息，也迟迟不创建评测所需的答案文件，后因为缺少产物或时失败。

Self-Harness 保留的修改会鼓励 Agent 早识别需输出，先创建初始产物，并在工具调用过长时转向具体实现和验证。

Qwen3.5-35B-A3B：工具失败后容易陷入循环

Qwen3.5-35B-A3B 的常见问题，是工具失败后进入重复编辑、重复覆盖或重复命令循环，甚至在停止前删除评测需文件。

Self-Harness 为它引入依赖预检查、失败后产物恢复、避相同命令重试，以及由工具错误触发的 artifact-focused 提醒。

△Qwen3.5 保留下来的 code-level Harness edits，集中在依赖预检查、产物恢复和重试约束。GLM-5：需要管住 shell 状态和节奏

GLM-5 暴露出的弱点集中在 shell 会话状态，以及从探索切到实现的时机。

改进后的 Harness 会提醒 Agent 在修改环境变量、安装工具或调整路径后，确认这些变化能跨命令持续可用。当长时间探索还没有形成产物时，系统也会动它转向实现与测试。

这说明 Self-Harness 不只是给所有模型加段通用提示。它会根据每个模型在真实轨迹中暴露出的弱点，生成并筛选适它的 Harness 改动。

为什么会引起关注

Agent 越来越像跑在工具环境里的系统，而不是只回答单轮问题的模型。

在这种设定里，模型能力只是部分。外层 Harness 决定它是否知道何时调用工具，如何从错误中恢复，是否保留正确产物，退出前有没有做验证。

过去，Harness 工程像经验活。Self-Harness 给出的向是，让模型自己参与这套经验的挖掘和改写，但终仍由评测而不是自评来拍板。

它没有证明" Agent 可以自己进化"，也没有绕过 benchmark 范围。论文里的结果主要来自 Terminal-Bench-2.0 和固定模型后端。

但作为个自进化 Agent 的组件，它给出了比较清楚的边界：改什么，怎么改，怎么验，什么时候拒。

研究团队

该工作来自上海人工智能实验室团队，论文题为 Self-Harness: Harnesses That Improve Themselves。

从现有文档看，团队公开了论文和项目地址，读者可以查看具体实验设置、Harness edits 和代码。

论文：https://arxiv.org/abs/2606.09498

项目地址：https://github.com/qzzqzzb/Self-Harness

键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

【学术投稿】请在工作日发送邮件至：ai@qbitai.com，标题注明【投稿】，并告诉我们：你是谁，从哪来，投稿内容附上项目 / 主页链接，以及联系式。

� �   我们会 ( 尽量 ) 及时回复你 : )

� � 点亮星标 � �

科技前沿进展每日见相关词条:管道保温施工     塑料挤出设备     预应力钢绞线    玻璃棉厂家    保温护角专用胶

奥力斯    pvc管道管件胶批发    联系人：王经理    手机：15226765735（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》滨州pvc管道管件胶 ，以此来变相勒索商家索要赔偿的违法恶意行为。