HarnessDev基准评测LLM创建Agent Harness能力

LLM 能自己创建和演化 Agent Harness 吗？ 来自 ByteDance Seed 等团队的研究者们，发布了一个把评测对象从 "任务答案" 转向 "Agent 执行基础设施" 的基准「H...

LLM 能自己创建和演化 Agent Harness 吗？ 来自 ByteDance Seed 等团队的研究者们，发布了一个把评测对象从 "任务答案" 转向 "Agent 执行基础设施" 的基准「HarnessDev」 论文： huggingface.co/papers/2609.01… 现有问题 同一模型换个 harness（执行循环、工具、上下文管理、恢复、验证），成绩可差十几个点，但现有基准都把 harness 当作固定配置，从未评测 "模型能否自己造 harness"。论文填补这一空白。 基准设计 · Creation：从一个只有被动工具、无任何策略、零分的弱种子出发，凭任务说明和 1–3 个样例构建完整 harness。 · Evolution：从自建 harness 出发，用 189 个反馈任务的结果迭代 10 轮，自选最终版；之后在 630 个从未展示的任务上测泛化。 · 创建者与执行者分离：Self-Eval（跑自己写的）vs Unified-Eval（统一用 Gemini 跑），前者测协同设计，后者测 harness 是否是可迁移资产。 · 同时报能力与执行 token 成本；评分只看真实 diff/环境状态，harness 自报成功不计分。 · 6 个创建者，4 领域 5 基准，2,207 个实例。 Creation 结果 · 六个创建者：Opus 4.8、GPT-5.5、Gemini 3.1 Pro、DeepSeek V4 Pro、Qwen 3.7 Max、Seed 2.0 Pro。开发环境统一用 Claude Code（GPT-5.5 用 Codex）。每个创建者-基准对独立创建 3 个 harness，报 avg @3 。 · 领域差异极大：写作持平人类参考、ML 实验超过参考，代码落后（69.3 vs 80.0），搜索研究差距最大（52.6 vs 92.2）。 · 共适应严重：Opus 的 harness 换 Gemini 执行，SWE-Pro 从 69.3 跌至 33.0，原因是硬编码了 120 步上限；Qwen、DeepSeek 的 harness 换更强执行者反而提升。可运行不等于可迁移。 · 代码量不预测性能：Gemini 加行最少却拿 Terminal-Bench 最高分。 · 状态/记忆几乎全是死代码：26,679 条轨迹中零次 checkpoint；验证多停留在语法层。 · 成本与效果不相关：同等分数 token 消耗可差约 7–19 倍。 有效的开发模式是"读失败→定向改→再验证"（修订次数与分数相关 0.57），而非堆自测。 Evolution 结果 · 反馈集上都涨（+3 到 +14），held-out 上缩到 +1.4 到 +4.4；固定 Gemini 执行时仅 Opus 仍正向，其余倒退，GPT-5.5 达 −10。 · 64 次版本切换中仅 2 次有超出噪声的明确正向证据；同一 commit 重跑波动约 ±4.75 分。 · 反馈与泛化方向一致仅 53%，9 个自选最终版只有 2 个是 held-out 最优——反馈分数可用于局部搜索，不可用于最终选版。 · 诊断是最弱环节：轨迹查看接口全程只用 2 次。正例是 Opus 发现 99 次自报成功只有 48 次真过，加了完成检查门。 AK @_akhaliq HarnessDev Can LLMs Create and Evolve Their Own Agent Harness? paper: huggingface.co/papers/2609.01… 🔗 View Quoted Tweet 💬 1 🔄 0 ❤️ 4 👀 741 📊 2 ⚡