研究：强模型自动为弱模型设计 Harness，不重训即可提升近一倍准确率
不强训模型，改成让强 AI 给弱 AI 搭外部辅助框架，能力迁移效果接近翻倍，开辟 AI4AI 新方向。
一篇新研究提出 AI4AI：让更强的 AI 观察弱 AI 的犯错模式，为它设计一套外部“认知外骨骼”Harness，也就是包裹在模型外的任务分类、计算、校验等机制，完全不改动模型参数。实验中，弱模型在四个心智理论测试上的准确率从 0.488 提升到 0.912。
正文摘录
.jpg)  2026 年，AI 领域正在发生一个很容易被普通用户忽略、却可能相当深刻的变化。过去几年，行业讨论 AI 能力时，最常见的问题一直是： 模型有多大？推理有多强？下一代模型又提升了多少？ 但到了今年，越来越多注意力开始从 “模型本身” 移向模型周围的整个系统。2 月，OpenAI 就开始以 Harness Engineering 为题讨论如何通过环境、规则、验证机制和工程约束让 Agent 更可靠；7 月，OpenAI 更是直接披露 Codex 每周用户已经超过 500 万，其中超过 100 万人的使用场景已经走出传统编程。Harness 这个「模型外部运行框架」也越来越频繁地进入企业 AI 的讨论中。 这一变化背后其实藏着一个比 “哪个模型更强” 更本质的问题： 一个 AI 系统的能力，究竟有多少存在于模型的大脑里，又有多少存在于组织这个大脑工作的方式里？ 我们可以做一个很简单的类比。如果语言模型是一名员工，那么过去提升 AI 的主流路线，是不断把这名员工送去培训：给它更多数据、更好的反馈、更昂贵的训练，最后真正改变它 “大脑里的参数”。这就是包括知识蒸馏、后训练在内的许多传统能力迁移方法。