论文提出先演化harness再训练权重的诊断式干预规则
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载harness 与权重的分工
论文把改进长程 LLM 智能体的两条路径放在一起比较：一条是演化冻结模型外围的 harness，另一条是训练模型权重。作者的做法是先让自演化 harness 把系统做强，再把基础权重和训练后权重分别与种子 harness、演化后的 harness 交叉组合，借此判断哪些收益能被训练后的模型保留，哪些仍然需要运行时支撑。论文给出的判断依据来自智能体的失败构成：按失败轨迹中第一个触发的信号打标签，可以把失败分成流程类与内容类。流程类包括调用被阻塞、陷入循环、步数预算耗尽；内容类则是交付了一份质量不佳的方案。harness 演化负责修复前者，它灌输的行为可以被训练进权重，而内容类失败才是权重训练要解决的问题。
DeepPlanning 上的数字
在 DeepPlanning 上，自演化 harness 循环把 Qwen3.5-4B 的留出分数从 0.16 提升到 0.30，把 Qwen3.5-9B 从 0.32 提升到 0.44；对 4B 而言，留出交付率从 55% 升到 90%，内容类失败则留给权重处理。在演化 harness 轨迹上训练的 LoRA 适配器把这一收益内化：在原始 harness 下，两种规模都获得 +0.13 的留出任务提升；在 4B 上适配器与 harness 叠加，使留出分数翻倍以上；在 9B 上适配器单独就能匹配完整演化线的表现，把内容类失败从四分之一的轨迹降到二十分之一。作为对照，用答案打乱轨迹训练的安慰剂适配器表现低于基础模型。
迁移与实验设置
该循环也能迁移到 WebArena-Lite，在 117 个未见任务上获得 +0.09，但那里的收益存在于模型所看到的内容中，适配器不再额外叠加。论文把这一结论概括为一条诊断后干预的规则，并应用了两次：先读失败构成，在 harness 与权重之间做选择；再读被接受的编辑改变了什么，决定哪些收益值得训练进权重。分数为四次 rollout 的均值，对照新锚点，除标注处外均为同晚测量，覆盖六个家族的八个模型和两个基准。论文共 21 页、7 张图、15 张表。
为什么值得看
给出可操作的判断规则：先看失败构成决定改 harness 还是训权重，再决定哪些收益值得内化。
信源1 家
关键事实
论文让自演化 harness 先增强系统，再将基础权重与训练后权重同种子、演化后的 harness 交叉组合[1]
方法按失败轨迹中首个触发的信号分类，区分流程失败（调用被阻塞、循环、步数预算耗尽）与内容失败（交付的方案质量差）[1]
在 DeepPlanning 上，自演化 harness 循环把 Qwen3.5-4B 的留出分数从 0.16 提到 0.30，把 Qwen3.5-9B 从 0.32 提到 0.44[1]
在演化 harness 轨迹上训练的 LoRA 适配器在原始 harness 下为两种规模各带来 +0.13 的留出任务提升[1]
用答案打乱轨迹训练的安慰剂适配器表现低于基础模型[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。