AnswersPublished15 sources
HarnessPro: Yapay zekâ ajanlarında performans ve maliyet dengesi
HarnessPro, bir yapay zekâ ajanının talimatlarını, araçlarını ve çalışma kurallarını analiz edip aday değişiklikleri sentezlenmiş testlerle değerlendiriyor.[3][11] Tek bir ayarı herkese uygun saymak yerine düşük maliyet, denge ve yüksek performans için Lite, Medium ve Heavy seçeneklerini koruyor.[11] GPT 5.5 ve Code...
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- HarnessPro, bir yapay zekâ ajanının talimatlarını, araçlarını ve çalışma kurallarını analiz edip aday değişiklikleri sentezlenmiş testlerle değerlendiriyor.[3][11]
- Tek bir ayarı herkese uygun saymak yerine düşük maliyet, denge ve yüksek performans için Lite, Medium ve Heavy seçeneklerini koruyor.[11]
- GPT 5.5 ve Codex ile Terminal Bench 2’de Heavy seçeneği için yüzde 80,8 başarı ve görev başına 0,72 dolar maliyet bildiriliyor; bu sonuç belirli bir test kurulumuna ait.[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
Bir yapay zekâ ajanının başarısını yalnızca kullandığı model belirlemiyor. Modele verilen talimatlar, erişebildiği araçlar ve çalışma sırasındaki kurallar da hem sonuçları hem de maliyeti etkileyebiliyor. HarnessPro, bu çevresel düzeni — yani ajanın çalışma iskeletini (harness) — yinelemeli biçimde geliştirmeyi amaçlayan bir çerçeve.3
11
Öne çıkan yanı, her iş için tek bir “en iyi” ayar aramaması. Bunun yerine düşük maliyet, dengeli kullanım ve daha yüksek performans arasında seçim yapmaya imkân veren üç sürümü öne çıkarıyor.
Harness tam olarak neyi kapsıyor?
Buradaki “harness”, temel yapay zekâ modelinin kendisi değil; modelin bir görevi nasıl yerine getireceğini belirleyen çevresel düzenek. Talimatları, kullanabileceği araçları ve çalışma zamanı kurallarını kapsıyor. HarnessPro’nun çıkış noktası, bu unsurlardaki değişikliklerin hem görev başarısını hem de çalıştırma maliyetini etkileyebilmesi.11
Başarısızlıklardan ve maliyetlerden öğreniyor
HarnessPro, ajanların görevleri yerine getirirken oluşturduğu yürütme izlerini inceliyor. Bu izlerdeki başarısızlık ve maliyet örüntülerinden olası düzenleme fikirleri çıkarıyor; ardından bu fikirleri yeni harness adaylarına dönüştürüyor.11
Adaylar, optimizasyon sırasında doğru yanıtlar veya resmî testler yerine sentezlenmiş testlerle değerlendiriliyor. Süreç tek turla bitmiyor: aday düzenekler tekrar tekrar sınanıp geliştirilebiliyor. Dolayısıyla yöntem, modelin ağırlıklarını değiştirmekten çok modelin görevleri nasıl yürüttüğünü şekillendiren düzeni evrimleştiriyor.3
11
Lite, Medium ve Heavy neden var?
Daha düşük maliyetin öncelikli olduğu bir kullanımda Lite tercih edilebilir; daha yüksek başarı hedeflenen durumlarda Heavy öne çıkabilir. Medium ise ikisinin arasında bir denge sunar. HarnessPro, performans ile maliyet arasındaki ödünleşimi gözeten Pareto tabanlı seçimle bu üç çalışma noktasını koruyor.11
Bu yaklaşım, her ekip için aynı seçeneğin uygun olmayabileceğini kabul ediyor. Kullanıcılar ihtiyaçlarına göre maliyeti azaltmaya, denge kurmaya ya da performansı artırmaya öncelik verebiliyor; en yüksek başarı puanını veren ayarın her koşulda en doğru tercih olduğu varsayılmıyor.11
Açıklanan test sonuçları ne gösteriyor?
Projenin sonuç sayfasında, GPT-5.5 ve Codex ile Terminal-Bench 2 üzerinde HarnessPro Heavy için görevlerin yüzde 80,8’ini geçme oranı ve görev başına 0,72 dolar maliyet bildiriliyor. Aynı karşılaştırmada RHO’nun başarı oranı yüzde 76,3, görev başına maliyeti ise 1,09 dolar olarak veriliyor.16
Araştırma özetlerinde, bildirilen değerlendirme düzeninde RHO’ya kıyasla ortalama başarı oranında 2,0 yüzde puanlık artış ve görev başına maliyette yüzde 26,1 düşüş de aktarılıyor.7
20
Bunlar belirli model, harness ve kıyaslama testlerine ait sonuçlar; HarnessPro’nun her görevde veya her kurulumda aynı kazanımları sağlayacağının kanıtı değiller. Performansla maliyet farklı yönlere çekebildiği için projede birden fazla seçenek sunulması da bu ayrımı görünür kılıyor.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: Yapay zekâ ajanlarında performans ve maliyet dengesi"?
HarnessPro, bir yapay zekâ ajanının talimatlarını, araçlarını ve çalışma kurallarını analiz edip aday değişiklikleri sentezlenmiş testlerle değerlendiriyor.[3][11]
What are the key points to validate first?
HarnessPro, bir yapay zekâ ajanının talimatlarını, araçlarını ve çalışma kurallarını analiz edip aday değişiklikleri sentezlenmiş testlerle değerlendiriyor.[3][11] Tek bir ayarı herkese uygun saymak yerine düşük maliyet, denge ve yüksek performans için Lite, Medium ve Heavy seçeneklerini koruyor.[11]
What should I do next in practice?
GPT 5.5 ve Codex ile Terminal Bench 2’de Heavy seçeneği için yüzde 80,8 başarı ve görev başına 0,72 dolar maliyet bildiriliyor; bu sonuç belirli bir test kurulumuna ait.[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 ...