RespostasPublicado15 fontes
HarnessPro tenta fazer agentes de IA renderem mais sem elevar a conta
O HarnessPro aprimora de forma iterativa a estrutura operacional de um agente — incluindo instruções, ferramentas e políticas de execução — sem alterar os pesos do modelo.[3][11] Em vez de buscar uma configuração única, o método preserva opções Lite, Medium e Heavy para diferentes combinações de custo e desempenho.[...
Publicado porEditado com GPT-6 LunaImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- O HarnessPro aprimora de forma iterativa a estrutura operacional de um agente — incluindo instruções, ferramentas e políticas de execução — sem alterar os pesos do modelo.[3][11]
- Em vez de buscar uma configuração única, o método preserva opções Lite, Medium e Heavy para diferentes combinações de custo e desempenho.[11]
- Em avaliações divulgadas, a versão Heavy teve 80,8% de aprovação no Terminal Bench 2, a US$ 0,72 por tarefa, ante 76,3% e US$ 1,09 da 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
Um agente de inteligência artificial não depende apenas do modelo que o alimenta. As instruções que recebe, as ferramentas disponíveis e as regras que orientam sua execução também influenciam o que ele consegue fazer — e quanto custa cada tarefa. É essa estrutura, conhecida no setor como harness, que o HarnessPro busca aprimorar.11
A proposta é ajustar o modo de operação do agente em ciclos, usando registros de execuções anteriores para identificar falhas e gastos desnecessários. Em vez de eleger uma configuração como a melhor para qualquer situação, o método mantém opções com diferentes relações entre custo e desempenho.3
11
O que é a estrutura operacional de um agente
O harness funciona como o conjunto de instruções e recursos ao redor do modelo: pode incluir prompts, ferramentas e políticas de execução. Na prática, é parte do que define como o agente aborda uma tarefa. Segundo a documentação do projeto, mudanças nessa estrutura podem afetar tanto o desempenho quanto o custo de execução.11
Como o HarnessPro propõe melhorias
O método analisa rastros de execução para encontrar padrões de falha e de custo. A partir deles, gera possíveis alterações na estrutura do agente e avalia essas propostas com testes sintetizados. Segundo o README do projeto, essa etapa não depende de respostas corretas de referência nem de testes oficiais durante a otimização.11
O processo é recursivo: configurações candidatas podem passar por novas avaliações e ser refinadas em rodadas seguintes. Assim, o HarnessPro modifica o ambiente operacional do agente, não os pesos do modelo em si.3
11
Por que há três versões: Lite, Medium e Heavy
Nem toda aplicação precisa maximizar a taxa de acerto a qualquer custo. Em alguns cenários, gastar menos por tarefa pode ser prioridade; em outros, pode valer a pena escolher uma configuração mais capaz. Para explicitar essa escolha, o HarnessPro preserva três opções: Lite, voltada a custos menores; Medium, que busca equilíbrio; e Heavy, com foco em desempenho mais alto.11
Essa seleção se baseia em uma fronteira de Pareto: em termos simples, ela mantém alternativas que representam diferentes compromissos entre custo e resultado, em vez de tratar a pontuação máxima como a única medida relevante.11
O que os resultados divulgados indicam
Na comparação publicada para o benchmark Terminal-Bench 2, com GPT-5.5 e Codex, o HarnessPro Heavy registrou taxa de aprovação de 80,8%, a US$ 0,72 por tarefa. A RHO, usada como referência, aparece com 76,3% de aprovação e custo de US$ 1,09 por tarefa.16
Separadamente, resumos da pesquisa relatam, para a configuração avaliada, um ganho médio de 2,0 pontos percentuais na taxa de aprovação e uma redução de 26,1% no custo por tarefa em comparação com a RHO.7
20
Esses números se referem a combinações específicas de modelo, estrutura e benchmark. Não demonstram que o HarnessPro produzirá os mesmos ganhos em qualquer tarefa ou implantação. A existência das versões Lite, Medium e Heavy reflete justamente o fato de que custo e desempenho podem apontar para escolhas diferentes.11
16
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "HarnessPro tenta fazer agentes de IA renderem mais sem elevar a conta"?
O HarnessPro aprimora de forma iterativa a estrutura operacional de um agente — incluindo instruções, ferramentas e políticas de execução — sem alterar os pesos do modelo.[3][11]
Quais são os pontos-chave para validar primeiro?
O HarnessPro aprimora de forma iterativa a estrutura operacional de um agente — incluindo instruções, ferramentas e políticas de execução — sem alterar os pesos do modelo.[3][11] Em vez de buscar uma configuração única, o método preserva opções Lite, Medium e Heavy para diferentes combinações de custo e desempenho.[11]
O que devo fazer a seguir na prática?
Em avaliações divulgadas, a versão Heavy teve 80,8% de aprovação no Terminal Bench 2, a US$ 0,72 por tarefa, ante 76,3% e US$ 1,09 da RHO.[16]
Fontes
github.comHarnessPro/README.md at main · pzs19/HarnessPro · GitHub
arxiv.orgHarnessPro: Recursive Harness Self-Improvement with ...
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 ...