HarnessPro：以帕累托优化递归改进智能体框架
该论文提出 HarnessPro，一种无需标注的方法，通过递归自我改进演化 AI 智能体的运行框架（harness），目标是在提升任务表现的同时降低执行成本。候选框架借助大模型生成的测试进行评估，不使用标准答案或官方测试；专门智能体诊断执行轨迹，并按不同性能与成本的优先级规划、实现更新，最终按归一化加权平方距离选出偏成本（lite）、均衡（medium）和偏性能（heavy）三档框架。作者称在 Terminal-Bench 2、SWE-Bench Pro 和 ProgramBench 上，使用 GPT-5.5 搭配 Codex 时，heavy 模式相对 RHO 平均通过率提升 2.0 个百分点、单任务平均成本降低 26.1%，并称该优势在使用 GLM-5.2 搭配 Claude Code 时同样成立；代码已公开，论文共 41 页、仍在审稿中。
该论文针对此前递归自我改进方法据称存在的性能提升伴随执行成本上升的问题，尝试在两者之间做取舍。
Computer Science > Machine Learning
arXiv:2610.26770 (cs)
[Submitted on 19 Oct 2026]
Title:HarnessPro: Recursive Harness Self-Improvement with Pareto Optimization for Performance-Cost Trade-offs
Authors:Zhuoshi Pan, ZhiYuan Feng, Yukuo Cen, Honglin Lin, Junru Lu, Zhongxia Chen, Shuo Yang, H. Vicky Zhao, Jie Tang
View a PDF of the paper titled HarnessPro: Recursive Harness Self-Improvement with Pareto Optimization for Performance-Cost Trade-offs, by Zhuoshi Pan and 8 other authors
#HarnessPro#arXiv#GPT-5.5#Codex#GLM-5.2#Claude Code#Terminal-Bench 2#SWE-Bench Pro#ProgramBench#RHO