AnswersPublished15 sources
HarnessPro finjusterar AI-agentens arbetssätt för bättre resultat till lägre kostnad
HarnessPro förbättrar en AI agents ramverk – instruktioner, verktyg och körregler – genom att analysera hur agenten arbetar och testa möjliga ändringar.[3][11] Metoden behåller tre alternativ: Lite för lägre kostnad, Medium för en balans och Heavy för högre prestanda.[11] I en redovisad jämförelse med GPT 5.5 och Co...
Publicerad avRedigerad med GPT-6 LunaBilder genererade med GPT Image 2
Research answer
Key takeaways
- HarnessPro förbättrar en AI agents ramverk – instruktioner, verktyg och körregler – genom att analysera hur agenten arbetar och testa möjliga ändringar.[3][11]
- Metoden behåller tre alternativ: Lite för lägre kostnad, Medium för en balans och Heavy för högre prestanda.[11]
- I en redovisad jämförelse med GPT 5.5 och Codex på Terminal Bench 2 nådde Heavy 80,8 procents godkända resultat till 0,72 dollar per uppgift, jämfört med RHO:s 76,3 procent och 1,09 dollar.[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
Att göra en AI-agent bättre behöver inte betyda att byta till en större eller nyare modell. HarnessPro tar i stället sikte på det som omger modellen: instruktionerna den får, verktygen den kan använda och reglerna för hur den arbetar. Det här ramverket kan påverka både hur ofta agenten löser en uppgift och vad körningen kostar.11
Vad är ett agentramverk?
En AI-agent består inte bara av själva modellen. Runt modellen finns ett upplägg som styr hur den ska agera: vilka instruktioner den följer, vilka verktyg den har tillgång till och vilka regler som gäller under körningen. HarnessPro kallar detta för agentens harness, eller ramverk.11
Grundidén är att förbättringar av ramverket kan påverka både resultat och kostnad. Därför försöker HarnessPro inte hitta en enda konfiguration som alltid är bäst, utan flera användbara alternativ.3
11
Så arbetar HarnessPro
HarnessPro analyserar spår från agentens tidigare körningar för att hitta mönster i misslyckanden och kostnader. Utifrån det föreslås ändringar i ramverket. Kandidaterna utvärderas med syntetiskt framtagna tester, i stället för med facit eller officiella tester under själva optimeringen, enligt projektets README.11
Arbetet upprepas i flera omgångar: ramverk kan testas, justeras och prövas igen. Det är alltså agentens arbetssätt som utvecklas, inte modellens vikter.3
11
Tre alternativ för olika avvägningar
Mer prestanda kan vara värt en högre kostnad, medan ett billigare upplägg kan räcka när budgeten väger tyngst. HarnessPro använder Pareto-baserat urval för att behålla tre alternativ: Lite för lägre kostnad, Medium för balans och Heavy för högre prestanda.11
Det ger ett tydligare val vid användning: organisationer kan välja det alternativ som passar deras behov i stället för att utgå från att högsta möjliga poäng alltid är rätt mål.11
Vad visar resultaten?
På projektets resultatsida redovisas en jämförelse med GPT-5.5 och Codex på Terminal-Bench 2. HarnessPro Heavy nådde där en godkänd andel på 80,8 procent och kostade 0,72 dollar per uppgift. För RHO anges 76,3 procent och 1,09 dollar per uppgift.16
Forskningssammanfattningar rapporterar också en genomsnittlig ökning av andelen godkända uppgifter med 2,0 procentenheter och 26,1 procent lägre kostnad per uppgift jämfört med RHO för den utvärdering som redovisas.7
20
Det handlar om resultat från specifika kombinationer av modell, ramverk och benchmark. De visar inte att HarnessPro ger samma förbättring i alla uppgifter eller driftsmiljöer. Att projektet erbjuder flera varianter speglar just att kostnad och prestanda kan dra åt olika håll.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 finjusterar AI-agentens arbetssätt för bättre resultat till lägre kostnad"?
HarnessPro förbättrar en AI agents ramverk – instruktioner, verktyg och körregler – genom att analysera hur agenten arbetar och testa möjliga ändringar.[3][11]
What are the key points to validate first?
HarnessPro förbättrar en AI agents ramverk – instruktioner, verktyg och körregler – genom att analysera hur agenten arbetar och testa möjliga ändringar.[3][11] Metoden behåller tre alternativ: Lite för lägre kostnad, Medium för en balans och Heavy för högre prestanda.[11]
What should I do next in practice?
I en redovisad jämförelse med GPT 5.5 och Codex på Terminal Bench 2 nådde Heavy 80,8 procents godkända resultat till 0,72 dollar per uppgift, jämfört med RHO:s 76,3 procent och 1,09 dollar.[16]
Sources
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 ...