AI2 研究：Harness Evolution 未必优于简单多跑几遍
同等预算下，Agent 的"自我进化"收益可能只是多跑了几遍换来的，这动摇了过去自我进化类工作的评估方式。
AI2 与华盛顿大学把 Harness Evolution（让 Agent 自动改写自己那套运行框架的方法：Prompt、工具、Memory、控制逻辑）和最简单的 test-time scaling（多次采样、顺序修正等纯加算力的做法）放到同等反馈与推理预算下对比，结果复杂进化并不稳定胜出；换到未参与优化的新任务，提升只剩很小一部分。
正文摘录
.jpg)   - 论文标题：Rethinking the Evaluation of Harness Evolution for Agents - 论文链接：https://arxiv.org/abs/2607.12227 - 代码：https://github.com/rethinking-harness-evolution - 博客：https://yikee.github.io/harnessevolution/ 一个 Agent 第一次没把任务做对。 接下来，你有五份额外的推理预算，可以有很多种花法。 你可以让它把同一道题重新做几遍，从多个结果里挑最好的；可以把上一次失败的过程交给它，让它接着修；