SelfSearch 论文：无奖励搜索让 agent 自我修改 harness，$4.03 达到 Codex 水平

推荐。LLM 智能体喜欢结构，所以一个语料库能改善智能体搜索并不意外。

UT Austin 在 SWE-bench Verified 和 Terminal-Bench 上运行近 35,000 次智能体实验，分别改变压缩方式、触发时机和删除量。

Google 提出 VeriHarness，将同一基座模型变为智能体验证器，专门处理 rollout 间的一致与分歧：分歧时查工作区证据裁决，一致时反向挑战找被遗漏的需求。在五个长时程基准上取得最优选择分数，配合证据修订在 Gemini 3.5 Flash 上提升 6.2 分、Claude Opus 4.8 上提升 6.4 分，并开源约 26,000 条 rollout。

Microsoft 与加州大学圣巴巴拉分校等发布论文 ScholarEvolve，提出基于已发表智能体研究而非自身失败日志来进化 agent harness。方法将 harness 拆为工具使用、记忆管理和任务执行模块，对近期论文做主题建模以识别各模块的改进策略，再实现并测试组合，且可持续纳入新论文。

CMU 论文提出 harness learning，用 RL 训练一个提案模型读取任务、当前 harness 和执行报告后生成 harness 代码修改，以修改后 harness 的得分为奖励，solver 模型权重不变。

Meta Superintelligence Labs 等发表论文，发现带轻量推理框架的预训练 LLM 在足够采样预算下解决智能体任务的覆盖面常超过 RL 后训练版本，如 BFCL v4 多轮、ACEBench 和 WebShop 上后训练模型赢在 pass@1，但基座模型在大 K 下常解出后训练模型从未解出的任务。研究将这一测试时扩展性损失命名为 Sharpening Tax，在 14 个基座/后训练配对、4 个模型族、3 个基准共 42 对中大多成立，随模型规模增大，可…

AutoCompact 训练编程智能体自主决定何时压缩上下文、保留哪些工作状态以及如何恢复。先由 judge 审查并修正基础智能体的压缩决策，再用修正后的轨迹做 SFT，最后用任务成功奖励做 RL 联合训练编码与压缩。SWE-bench Verified 通过率提升 9.2 分，SWE-PolyBench Verified 提升 5.0 分，且在 256K 窗口不溢出的情况下仍有增益。

Google Research 发布 Cogentic，一个基于 Gemini 的多智能体自动证明发现框架，面向理论计算机科学开放问题，只需问题陈述即可自动产出完整论文形式的结果。

ProVer 提出用 LLM judge 定位轨迹中的关键片段、再由 rollout 决定该步信用大小的信用分配方法，解决 GRPO 给轨迹中每个 token 相同 advantage、无法区分决定性步骤的问题。

AgentWorld 将 3 到 20 个不同角色的 LLM 智能体放入游戏沙盒，执行 50+ 轮的长周期任务，智能体无法看到彼此内部状态，只能通过消息和共享计划协调。