AntwortenVeröffentlicht15 Quellen
HarnessPro optimiert das Setup von KI-Agenten – nicht das Modell selbst
HarnessPro passt iterativ Anweisungen, verfügbare Werkzeuge und Laufzeitregeln eines KI Agenten an, um Leistung und Ausführungskosten zu beeinflussen.[3][11] Statt eine einzige Konfiguration für alle Einsätze zu wählen, behält das Framework mit Lite, Medium und Heavy drei Varianten für unterschiedliche Kosten Leistu...
Veröffentlicht vonBearbeitet mit GPT-6 LunaBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- HarnessPro passt iterativ Anweisungen, verfügbare Werkzeuge und Laufzeitregeln eines KI Agenten an, um Leistung und Ausführungskosten zu beeinflussen.[3][11]
- Statt eine einzige Konfiguration für alle Einsätze zu wählen, behält das Framework mit Lite, Medium und Heavy drei Varianten für unterschiedliche Kosten Leistungs Abwägungen bei.[11]
- In einem berichteten Terminal Bench 2 Vergleich erreichte Heavy mit GPT 5.5 und Codex 80,8 Prozent Erfolgsquote bei 0,72 US Dollar pro Aufgabe; die Vergleichslösung RHO kam auf 76,3 Prozent bei 1,09 US Dollar.[16]
KI-Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is HarnessPro, released by researchers from Tsinghua University, Zhipu, Shanghai Jiao Tong University, the University of Warwick and Ku. Article summary: HarnessPro is a self-supervised framework for recursively improving an AI agent’s **harness**—the instructions, tools and runtime policies around it—while optimizing both task success and execution cost.[2][16] Its disti. Topic tags: general, academic, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake num
Bei KI-Agenten entscheidet nicht allein das zugrunde liegende Modell darüber, wie gut und wie teuer eine Aufgabe erledigt wird. Auch das Setup rundherum spielt eine Rolle: die Anweisungen, die verfügbaren Werkzeuge und die Regeln, nach denen der Agent während der Ausführung vorgeht. Dieses Setup wird häufig als Harness bezeichnet. HarnessPro soll es schrittweise verbessern – ohne dafür die Modellgewichte zu verändern.3
11
Was HarnessPro verändert
Das Framework analysiert Ausführungsprotokolle, sogenannte Traces, und sucht darin nach wiederkehrenden Fehlern und unnötigen Kosten. Aus diesen Beobachtungen entstehen Vorschläge für Änderungen am Harness. Die Kandidaten werden anschließend mit eigens erzeugten Tests geprüft, statt während der Optimierung auf Referenzlösungen oder offizielle Tests zurückzugreifen, heißt es in der Projektbeschreibung.11
Der Ablauf kann sich über mehrere Runden wiederholen: Ein veränderter Harness wird geprüft und bei Bedarf weiter angepasst. HarnessPro optimiert damit die Arbeitsweise des Agenten – nicht die internen Modellparameter.3
11
Warum es drei Varianten gibt
Mehr Leistung kann mehr Ausführungskosten bedeuten. Um diesen Zielkonflikt nicht auf eine einzige „beste“ Konfiguration zu reduzieren, nutzt HarnessPro eine Pareto-basierte Auswahl. Sie soll drei Einsatzpunkte erhalten:11
- Lite: auf geringere Kosten ausgerichtet
- Medium: als ausgewogener Kompromiss
- Heavy: auf höhere Leistung ausgerichtet
Das macht die Abwägung für den Einsatz sichtbar: Je nach Kostenrahmen und Leistungsbedarf kann ein Team eine andere Variante wählen. Heavy ist also nicht automatisch die passende Wahl für jede Aufgabe.11
Was die berichteten Benchmarks zeigen
Auf der Projekt-Ergebnisseite wird für GPT-5.5 mit Codex auf Terminal-Bench 2 eine Erfolgsquote von 80,8 Prozent für HarnessPro Heavy bei Kosten von 0,72 US-Dollar pro Aufgabe angegeben. Zum Vergleich: RHO erreichte dort 76,3 Prozent bei 1,09 US-Dollar pro Aufgabe.16
Zusammenfassungen der berichteten Auswertung nennen außerdem über die untersuchten Benchmarks hinweg einen durchschnittlichen Zuwachs der Erfolgsquote um 2,0 Prozentpunkte und 26,1 Prozent niedrigere Kosten pro Aufgabe gegenüber RHO.7
20
Diese Zahlen beziehen sich auf bestimmte Kombinationen aus Modell, Agenten-Setup und Benchmark. Sie belegen nicht, dass HarnessPro bei jedem Einsatz dieselben Verbesserungen erzielt. Gerade die verschiedenen Varianten zeigen, dass Kosten und Leistung je nach Konfiguration unterschiedlich gewichtet werden.11
16
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „HarnessPro optimiert das Setup von KI-Agenten – nicht das Modell selbst“?
HarnessPro passt iterativ Anweisungen, verfügbare Werkzeuge und Laufzeitregeln eines KI Agenten an, um Leistung und Ausführungskosten zu beeinflussen.[3][11]
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
HarnessPro passt iterativ Anweisungen, verfügbare Werkzeuge und Laufzeitregeln eines KI Agenten an, um Leistung und Ausführungskosten zu beeinflussen.[3][11] Statt eine einzige Konfiguration für alle Einsätze zu wählen, behält das Framework mit Lite, Medium und Heavy drei Varianten für unterschiedliche Kosten Leistungs Abwägungen bei.[11]
Was soll ich als nächstes in der Praxis tun?
In einem berichteten Terminal Bench 2 Vergleich erreichte Heavy mit GPT 5.5 und Codex 80,8 Prozent Erfolgsquote bei 0,72 US Dollar pro Aufgabe; die Vergleichslösung RHO kam auf 76,3 Prozent bei 1,09 US Dollar.[16]
Quellen
arxiv.orgHarnessPro: Recursive Harness Self-Improvement with ...
github.comHarnessPro/README.md at main · pzs19/HarnessPro · GitHub
pzs19.github.ioHarnessPro · Recursive Harness Self-Improvement
alirezashamsoshoara.github.ioDaily AI Papers — October 20, 2026
dev.toAgents Write the Commits Now — This Week's Research Is ...