Harness-Zero 论文提出 agent-as-harness 方法，将专用 harness 能力蒸馏进模型

Google 发布 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses）论文，指出自动化 harness 进化会对训练任务过拟合，评测分数上升但真实任务表现可能变差。

Microsoft Research 等机构的论文研究多智能体在任务执行中通过共享目录通信的收益。在 ARC-AGI-3 上，k 个通信智能体的成功率匹敌 4k 个独立智能体且差距随 k 扩大；在 polyomino packing 超越 best@k 和已知最优成绩，MNIST 压缩任务中四智能体团队写出 1，957 字节、99.4% 测试准确率的分类器。

Stanford 和 Together AI 的论文提出 Self-Organizing Agent Teams（SAT），让 o3-mini、Claude Sonnet 4 和 DeepSeek-V3 组成的团队学习协作策略。

Elvis Saravia 主张企业不能靠"租用智能"做到前沿，定制模型、harness 和评测正成为巨大资产。其引用 Harvey 联创 Gabe Pereyra 的案例：Harvey 通过路由、harness 改进和后训练优化，在用量月环比翻倍、继续提供前沿模型的情况下，单季度将毛利率从 -50% 提升至正值。

ReFigBench 基准要求编码智能体将真实 arXiv 概览图重建为可编辑 PowerPoint 幻灯片，覆盖 GPT、Claude、MiMo、MiniMax 四个模型家族的十种配置。

论文提出 Question's Gambit，在智能体开始搜索前运行一次：将问题拆成线索、转为互补搜索、汇总并重排结果，让智能体以已排序的上下文启动循环。

用 Jev 重新整理约 2.3K 篇 AI 研究论文，总成本 $0.14、耗时约 83 秒。Jev 与旧标签（由 DeepSeek V4 Flash 生成）一致率 75%，并找出约 579 处高置信度主题变更；人工抽检 30 处分歧后全部采纳，变更已在生产环境验证。作者认为通过组合 System One 与 System Two 模型可显著改进流水线。

MIT 和 Sakana AI 的论文提出 SIFT（Self-Improvement via Fast Tree-search），用 LLM judge 先排序候选自修改、只评测有希望的节点，大幅降低自我改进编码智能体的运行成本。

NVIDIA 论文提出 Agora，把研究智能体的结果、假设和验证记录为不可变的 Git commit，形成 append-only DAG，避免多个编码智能体重复实验并让彼此复用已验证结果。

Google Research 发布 Stellar Colosseum，一个面向长程数学和理论计算机科学研究的模型无关多智能体框架。该框架分阶段运行，先探索多种证明策略，通过就绪门槛后将路线拆分为章节级子问题，并行生成候选方案并配合定向证伪和批评合并。