RéponsesPublié15 sources
HarnessPro, la méthode qui ajuste les agents IA au budget disponible
HarnessPro modifie progressivement le « harness » d’un agent IA : ses instructions, ses outils et ses règles d’exécution. Il conserve trois options — Lite, Medium et Heavy — pour privilégier le coût, un compromis ou la performance, plutôt que d’imposer une configuration unique.[3][11] Sur Terminal Bench 2, avec GPT...
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- HarnessPro modifie progressivement le « harness » d’un agent IA : ses instructions, ses outils et ses règles d’exécution.
- Il conserve trois options — Lite, Medium et Heavy — pour privilégier le coût, un compromis ou la performance, plutôt que d’imposer une configuration unique.[3][11]
- Sur Terminal Bench 2, avec GPT 5.5 et Codex, la version Heavy affiche un taux de réussite de 80,8 % pour 0,72 dollar par tâche, contre 76,3 % et 1,09 dollar pour RHO.[16]
Prompt 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
Tous les gains d’un agent d’intelligence artificielle ne viennent pas forcément d’un meilleur modèle. Sa façon de travailler compte aussi : les consignes qu’il reçoit, les outils auxquels il accède et les règles qui encadrent son exécution. HarnessPro cherche à améliorer cet ensemble, appelé harness, en tenant compte à la fois de la réussite des tâches et de leur coût.3
11
Le « harness », le mode d’emploi de l’agent
Un agent ne se résume pas à son modèle. Son harness définit comment il aborde une tâche et interagit avec son environnement : instructions, outils disponibles et politiques d’exécution. Modifier ces éléments peut influer sur les résultats obtenus comme sur les ressources consommées.11
HarnessPro ne cherche donc pas à modifier les poids du modèle. Il fait évoluer ce qui l’entoure, en s’appuyant sur les traces d’exécution pour repérer des échecs ou des dépenses évitables.3
11
Des traces aux nouvelles configurations
Le cadre analyse les exécutions passées, transforme les problèmes constatés en changements possibles, puis évalue ces configurations avec des tests générés pour l’occasion. Selon le dépôt du projet, cette optimisation ne nécessite pas de solutions de référence ni de tests officiels.11
Le processus est récursif : les configurations candidates peuvent être évaluées puis affinées lors de nouvelles étapes. L’objectif est de faire évoluer le fonctionnement de l’agent à partir de ce que révèlent ses essais, sans confondre cette démarche avec un réentraînement du modèle.3
11
Trois options plutôt qu’un vainqueur unique
Réduire le coût et maximiser la réussite ne conduisent pas toujours au même réglage. HarnessPro utilise une sélection fondée sur la frontière de Pareto — autrement dit, elle conserve des options qui représentent différents compromis entre ces deux objectifs.11
Le projet distingue ainsi trois variantes : Lite, orientée vers un coût inférieur ; Medium, conçue comme un compromis ; et Heavy, qui privilégie davantage la performance. Le choix dépend donc du contexte d’utilisation et du budget, plutôt que d’une configuration présentée comme la meilleure dans tous les cas.11
Des résultats prometteurs, mais liés à des tests précis
Sur Terminal-Bench 2, avec GPT-5.5 et Codex, les résultats publiés indiquent un taux de réussite de 80,8 % pour HarnessPro Heavy, à 0,72 dollar par tâche. La comparaison donne 76,3 % et 1,09 dollar pour RHO.16 Des résumés de recherche rapportent également, pour le dispositif évalué, un gain moyen de 2 points de pourcentage du taux de réussite et une baisse de 26,1 % du coût par tâche par rapport à RHO.
7
20
Ces chiffres concernent des combinaisons particulières de modèle, de harness et de benchmark. Ils ne garantissent pas les mêmes gains sur d’autres tâches ou dans d’autres déploiements. L’existence des variantes Lite, Medium et Heavy reflète justement le fait que performance et coût peuvent évoluer en sens contraire.11
16
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « HarnessPro, la méthode qui ajuste les agents IA au budget disponible » ?
HarnessPro modifie progressivement le « harness » d’un agent IA : ses instructions, ses outils et ses règles d’exécution.
Quels sont les points clés à valider en premier ?
HarnessPro modifie progressivement le « harness » d’un agent IA : ses instructions, ses outils et ses règles d’exécution. Il conserve trois options — Lite, Medium et Heavy — pour privilégier le coût, un compromis ou la performance, plutôt que d’imposer une configuration unique.[3][11]
Que dois-je faire ensuite en pratique ?
Sur Terminal Bench 2, avec GPT 5.5 et Codex, la version Heavy affiche un taux de réussite de 80,8 % pour 0,72 dollar par tâche, contre 76,3 % et 1,09 dollar pour RHO.[16]
Sources
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 ...