DAIR.AI 发布 Harness 工程论文合集

新论文提出 Looped Flows，用局部去噪目标训练循环架构，让每次隐藏状态更新彼此关联，解决以往梯度只流经最后几步、早期更新学不到东西的问题。作者称该模型在 6 个推理基准中的 5 个上优于此前的循环模型。推理时模型沿概率流运行，更细的时间网格可换取更多算力，不同起始噪声在存在多解的任务上可产生不同有效答案。

一项研究将 100 个带记忆的 LLM agent 置于真实 Pokhara Lakeside 地理的小镇经济中，运行最长 26 个模拟周、91 次有效运行共 2.44M 次决策，发现货币停止流动：12 倍游客冲击使商业收入升至 4.62 倍，但工资仅 1.03 倍，3，981 个菜单项中只有 0.3% 曾重新定价；随机现金转移 311 步后 96.7% 仍未花出。

Meta 发布 Auto-RecSys 论文，让自主研究智能体在训练一次需数天的工业级推荐模型上做实验。系统跨服务器并行实验，用跨服务器共享记忆保证失败和换会话后可恢复，把自然语言技能文件用于推理、确定性脚本用于操作；双循环自我演化中，模型专属 playbook 记录失败尝试并沉淀可用流水线，实验结果反哺下一轮想法。

AWS 论文提出 UnitBoost，用任务给定的 unit map 将 worker 输出转为槽值提案，以受限 argmax 组装结果，未填充或不支持的槽位形成显式残差指导下一轮，从而无需生成式 meta-agent 来管理复合 LLM 系统。

Salesforce AI 发布论文《Co-Evolving Harnesses and Models： On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails》。

AutoResearchExam 基准发布，覆盖模型训练、数据整理、AI 安全等七大研究领域，给智能体 24 小时 CPU/GPU 环境并综合评分。Astra 领先 19 小时后被 Fable 5.1 反超；Qwen3.8 Max、Gemini 3.8 Flash、Grok 4.6 位于性价比帕累托前沿。研究智能体常因低质量探索停滞，且易在改进中过拟合。

Elvis Saravia 强调模型-框架协同优化（model-harness co-optimization）是设计框架后在其中调优模型，并称框架工程（harness engineering）是解锁潜力的关键。他追踪多篇论文证明其有效性，并提及 Harvey 探索的 RLMs 提供了有趣的扩展方式。相关论文合集已发布在 DAIR.AI Academy。

谷歌新论文提出过程图（Procedural Graph）框架，将程序性知识显式存储为"过程-关系-过程"三元组，供长程智能体查询下一步动作及条件。该框架通过LLM精炼器对比失败与成功轨迹，自动编辑图结构并仅保留通过验证的修改，使智能体从最小骨架构建出匹敌甚至超越人工设计的图，并修复有缺陷的专家先验。

Harness 工程是目前最热门的技能之一。 我在最近一次 YC Paper Club 的分享中看到了一个关于 harness 工程的精彩概述。 那是一份非常优秀的顶级论文清单。 所以我决定把它整理成一个合集。请享用！

OpenAI 宣布给出 Navier-Stokes 千禧年大奖难题的一个解法，证明由一组智能体使用一个 OpenAI 下一代模型完成，官方称该模型能力显著强于 GPT-6 Astra。该问题关注 Navier-Stokes 方程描述的三维光滑流体运动是否会失解，约 90 年未决。Elvis Saravia 转发并评论称，若 GPT-6 Astra 已有此水平，下一代模型值得期待。