RespuestasPublicado15 fuentes
HarnessPro busca que los agentes de IA rindan más sin gastar de más
HarnessPro mejora de forma iterativa el «harness» de un agente —sus instrucciones, herramientas y políticas de ejecución— mediante pruebas sintetizadas.[3][11] En lugar de imponer una única configuración, ofrece tres opciones: Lite, de menor coste; Medium, equilibrada; y Heavy, orientada a un mayor rendimiento.[11]...
Publicado porEditado con GPT-6 LunaImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- HarnessPro mejora de forma iterativa el «harness» de un agente —sus instrucciones, herramientas y políticas de ejecución— mediante pruebas sintetizadas.[3][11]
- En lugar de imponer una única configuración, ofrece tres opciones: Lite, de menor coste; Medium, equilibrada; y Heavy, orientada a un mayor rendimiento.[11]
- En Terminal Bench 2, con GPT 5.5 y Codex, la opción Heavy registró un 80,8 % de aprobados por 0,72 dólares por tarea; la comparación cita un 76,3 % y 1,09 dólares para RHO.[16]
Prompt de IA
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
HarnessPro intenta mejorar una parte del agente de IA que a menudo queda en segundo plano: el conjunto de instrucciones, herramientas y reglas que guía su trabajo. A ese entorno se le suele llamar harness. El método lo modifica en rondas sucesivas para buscar un equilibrio entre resolver más tareas y reducir el coste de ejecución.3
11
Qué cambia HarnessPro
El modelo no es lo único que determina cómo se comporta un agente. También influyen las instrucciones que recibe, las herramientas a las que puede acceder y las políticas que regulan su ejecución. HarnessPro analiza los registros de uso —incluidos los patrones de fallos y costes— y, a partir de ellos, propone cambios en esa configuración.11
Después evalúa las alternativas con pruebas sintetizadas. Según el proyecto, este proceso no necesita respuestas de referencia ni pruebas oficiales durante la fase de optimización. Las configuraciones candidatas pueden volver a evaluarse y ajustarse en nuevas rondas: no se trata de cambiar los pesos del modelo, sino de evolucionar su entorno operativo.3
11
Tres opciones, no una receta universal
Reducir el coste puede ser prioritario en algunas implementaciones, mientras que en otras conviene favorecer la capacidad para resolver tareas. HarnessPro aplica una selección basada en la frontera de Pareto —un método para conservar alternativas que representan distintos equilibrios entre objetivos— y mantiene tres variantes:11
- Lite, pensada para reducir el coste.
- Medium, como opción intermedia.
- Heavy, orientada a un mayor rendimiento.
La idea es que cada equipo pueda elegir según sus necesidades, en vez de asumir que la configuración con la puntuación más alta será siempre la más conveniente.11
Qué indican los resultados publicados
En la página del proyecto, una evaluación con GPT-5.5 y Codex en Terminal-Bench 2 muestra que HarnessPro Heavy alcanzó una tasa de aprobados del 80,8 %, con un coste de 0,72 dólares por tarea. La misma comparación recoge un 76,3 % y 1,09 dólares por tarea para RHO.16
Por separado, dos resúmenes de investigación informan de una mejora media de 2,0 puntos porcentuales en la tasa de aprobados y una reducción del 26,1 % en el coste por tarea frente a RHO para la evaluación descrita.7
20
Son resultados de combinaciones concretas de modelo, configuración y pruebas; no garantizan el mismo efecto en cualquier tarea o despliegue. La existencia de las tres variantes refleja precisamente que rendimiento y coste pueden exigir compromisos distintos.11
16
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "HarnessPro busca que los agentes de IA rindan más sin gastar de más"?
HarnessPro mejora de forma iterativa el «harness» de un agente —sus instrucciones, herramientas y políticas de ejecución— mediante pruebas sintetizadas.[3][11]
¿Cuáles son los puntos clave a validar primero?
HarnessPro mejora de forma iterativa el «harness» de un agente —sus instrucciones, herramientas y políticas de ejecución— mediante pruebas sintetizadas.[3][11] En lugar de imponer una única configuración, ofrece tres opciones: Lite, de menor coste; Medium, equilibrada; y Heavy, orientada a un mayor rendimiento.[11]
¿Qué debo hacer a continuación en la práctica?
En Terminal Bench 2, con GPT 5.5 y Codex, la opción Heavy registró un 80,8 % de aprobados por 0,72 dólares por tarea; la comparación cita un 76,3 % y 1,09 dólares para RHO.[16]
Fuentes
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 ...