CMU 提出通过编辑 harness 代码优化智能体，4B 提案模型胜过 35B 教师

CMU 的论文提出 harness learning：用强化学习训练一个提案模型，读取任务、当前 harness 代码和执行报告后生成 harness 的代码修改，而 solver 模型权重始终不变。奖励信号为修改后 harness 的得分。在 Reasoning Gym 上，训练后的 4B 提案模型在单步修改任务中超过了 35B 的教师模型，并能泛化到训练中未见过的任务族。在 HotpotQA 上训练的提案模型还能持续改进 MuSiQue 和 2WikiMultihopQA 上的 harness。