AnswersPublished15 sources
HarnessPro mahu AI agent bekerja lebih baik tanpa membazir kos
HarnessPro menambah baik “harness” AI agent—iaitu arahan, alatan dan aturan operasi yang membimbing cara agent bekerja—melalui proses berulang. Ujian yang dijana secara automatik dan pemilihan berasaskan Pareto membantu mengekalkan pilihan Lite, Medium dan Heavy bagi keutamaan kos serta prestasi yang berbeza.[3][11]...
Diterbitkan olehDisunting dengan GPT-6 LunaImej dijana dengan GPT Image 2
Research answer
Key takeaways
- HarnessPro menambah baik “harness” AI agent—iaitu arahan, alatan dan aturan operasi yang membimbing cara agent bekerja—melalui proses berulang.
- Ujian yang dijana secara automatik dan pemilihan berasaskan Pareto membantu mengekalkan pilihan Lite, Medium dan Heavy bagi keutamaan kos serta prestasi yang berbeza.[3][11]
- Dalam satu ujian Terminal Bench 2 menggunakan GPT 5.5 dan Codex, mod Heavy mencatat kadar lulus 80.8% pada kos US$0.72 setiap tugasan, berbanding 76.3% dan US$1.09 bagi RHO.[16]
AI 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
HarnessPro ialah rangka kerja tanpa label yang berusaha menambah baik harness AI agent secara berulang. Harness merangkumi arahan, alatan dan aturan operasi yang membentuk cara agent menjalankan tugas. Idea utamanya: konfigurasi sekeliling model juga boleh mempengaruhi kejayaan tugasan dan kos pelaksanaan—bukan model semata-mata.3
11
Apa maksud “harness” untuk AI agent?
Bayangkan harness sebagai set panduan dan keupayaan yang digunakan agent semasa bekerja. Ia boleh menentukan arahan yang perlu diikuti, alatan yang boleh digunakan dan aturan yang mengawal operasinya. HarnessPro mengubah suai bahagian-bahagian ini, bukannya mengubah pemberat model AI itu sendiri.11
Cara HarnessPro membuat penambahbaikan
HarnessPro menganalisis rekod pelaksanaan agent untuk mencari corak kegagalan dan penggunaan kos. Berdasarkan dapatan itu, ia mencadangkan perubahan kepada harness dan menguji calon konfigurasi menggunakan ujian yang dijana secara automatik. Menurut README projek, proses pengoptimuman ini tidak bergantung pada jawapan rujukan atau ujian rasmi.11
Prosesnya berulang: konfigurasi calon diuji, kemudian boleh diperhalus dalam pusingan seterusnya. Dengan cara ini, HarnessPro cuba memperbaiki cara agent beroperasi dari semasa ke semasa.3
11
Tiga pilihan untuk keperluan berbeza
Konfigurasi yang paling murah tidak semestinya memberikan prestasi tertinggi, sementara pilihan paling berkemampuan pula mungkin tidak diperlukan untuk setiap tugasan. Sebab itu HarnessPro menggunakan pemilihan berasaskan Pareto untuk mengekalkan tiga titik operasi:11
- Lite: mengutamakan kos yang lebih rendah.
- Medium: mengimbangi kos dan prestasi.
- Heavy: mengutamakan prestasi yang lebih tinggi.
Pendekatan ini membolehkan pasukan memilih konfigurasi mengikut keperluan penggunaan, dan bukannya menganggap satu tetapan terbaik untuk semua keadaan.11
Apa yang ditunjukkan oleh angka penanda aras?
Pada Terminal-Bench 2, halaman keputusan projek melaporkan bahawa HarnessPro Heavy dengan GPT-5.5 dan Codex mencapai kadar lulus 80.8%, dengan kos US$0.72 bagi setiap tugasan. Perbandingan yang sama menyenaraikan RHO pada kadar lulus 76.3% dan kos US$1.09 bagi setiap tugasan.16
Ringkasan penyelidikan lain melaporkan peningkatan purata kadar lulus sebanyak 2.0 mata peratusan serta pengurangan kos setiap tugasan sebanyak 26.1% berbanding RHO bagi tetapan penilaian yang dilaporkan.7
20
Angka ini merujuk kepada gabungan model, harness dan penanda aras tertentu. Ia bukan jaminan bahawa peningkatan yang sama akan berlaku pada setiap tugasan atau penggunaan. Kewujudan pilihan Lite, Medium dan Heavy juga mencerminkan hakikat bahawa prestasi dan kos boleh membawa kepada pertimbangan yang berbeza.11
16
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "HarnessPro mahu AI agent bekerja lebih baik tanpa membazir kos"?
HarnessPro menambah baik “harness” AI agent—iaitu arahan, alatan dan aturan operasi yang membimbing cara agent bekerja—melalui proses berulang.
What are the key points to validate first?
HarnessPro menambah baik “harness” AI agent—iaitu arahan, alatan dan aturan operasi yang membimbing cara agent bekerja—melalui proses berulang. Ujian yang dijana secara automatik dan pemilihan berasaskan Pareto membantu mengekalkan pilihan Lite, Medium dan Heavy bagi keutamaan kos serta prestasi yang berbeza.[3][11]
What should I do next in practice?
Dalam satu ujian Terminal Bench 2 menggunakan GPT 5.5 dan Codex, mod Heavy mencatat kadar lulus 80.8% pada kos US$0.72 setiap tugasan, berbanding 76.3% dan US$1.09 bagi 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 ...