Câu trả lờiĐã xuất bản15 nguồn
HarnessPro giúp tác tử AI làm việc hiệu quả hơn mà vẫn kiểm soát chi phí thế nào?
HarnessPro liên tục điều chỉnh hướng dẫn, công cụ và chính sách vận hành của tác tử AI, rồi đưa ra các phiên bản Lite, Medium và Heavy để phù hợp với những ưu tiên khác nhau về chi phí và hiệu suất. Thay vì tìm một cấu hình tối ưu cho mọi trường hợp, phương pháp này dùng bài kiểm tra tổng hợp và lựa chọn theo biên P...
Đăng bởiBiên tập bằng GPT-6 LunaHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- HarnessPro liên tục điều chỉnh hướng dẫn, công cụ và chính sách vận hành của tác tử AI, rồi đưa ra các phiên bản Lite, Medium và Heavy để phù hợp với những ưu tiên khác nhau về chi phí và hiệu suất.
- Thay vì tìm một cấu hình tối ưu cho mọi trường hợp, phương pháp này dùng bài kiểm tra tổng hợp và lựa chọn theo biên Pareto để giữ lại các phương án tiết kiệm, cân bằng hoặc ưu tiên hiệu suất.[3][11]
Prompt AI
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 là một phương pháp cải tiến lặp lại bộ khung vận hành (harness) của tác tử AI — gồm hướng dẫn, công cụ và các chính sách chi phối cách tác tử hoạt động. Thay vì thay đổi trọng số của mô hình, phương pháp này điều chỉnh cách mô hình được thiết lập để thực hiện nhiệm vụ, với mục tiêu cải thiện kết quả và kiểm soát chi phí chạy.3
11
Bộ khung vận hành ảnh hưởng thế nào đến tác tử AI?
Mô hình chỉ là một phần của tác tử. Những hướng dẫn nó nhận được, công cụ có thể sử dụng và quy tắc áp dụng khi chạy cũng góp phần định hình hiệu suất lẫn chi phí. HarnessPro tập trung cải tiến chính những thành phần này.11
Từ dấu vết chạy đến phiên bản mới
HarnessPro phân tích dấu vết thực thi để tìm các kiểu lỗi và điểm gây tốn kém. Từ đó, hệ thống đề xuất những thay đổi cho bộ khung, rồi đánh giá các phương án bằng bài kiểm tra được tạo tổng hợp. Theo README của dự án, quá trình tối ưu không dựa vào đáp án chuẩn hoặc bài kiểm tra chính thức.11
Quy trình này có thể lặp lại: các bộ khung ứng viên được kiểm tra và tiếp tục tinh chỉnh ở những vòng sau. Nói cách khác, HarnessPro phát triển cách tác tử vận hành, chứ không cập nhật trọng số của mô hình.3
11
Vì sao có cả Lite, Medium và Heavy?
Cấu hình tiết kiệm hơn có thể phù hợp khi cần ưu tiên chi phí; cấu hình mạnh hơn có thể đáng chọn khi hiệu suất quan trọng hơn. Dựa trên lựa chọn theo biên Pareto, HarnessPro giữ lại ba phương án: Lite hướng tới chi phí thấp, Medium cân bằng hai yếu tố, còn Heavy ưu tiên hiệu suất cao.11
Cách tiếp cận này giúp các nhóm lựa chọn theo nhu cầu triển khai, thay vì mặc định rằng cấu hình đạt điểm cao nhất luôn là lựa chọn phù hợp nhất.11
Kết quả được báo cáo cho thấy gì?
Trang kết quả của dự án cho biết, khi kết hợp GPT-5.5 với Codex trên Terminal-Bench 2, chế độ HarnessPro Heavy đạt tỷ lệ vượt qua bài kiểm tra 80,8%, với chi phí 0,72 USD mỗi nhiệm vụ. Trong cùng phép so sánh, RHO đạt 76,3% và tốn 1,09 USD mỗi nhiệm vụ.16 Các bản tổng hợp nghiên cứu cũng báo cáo mức tăng trung bình 2 điểm phần trăm về tỷ lệ vượt qua và giảm 26,1% chi phí mỗi nhiệm vụ so với RHO trong thiết lập đánh giá được nêu.
7
20
Đây là kết quả của những tổ hợp mô hình, bộ khung và bài kiểm tra cụ thể; không nên xem chúng là mức cải thiện bảo đảm cho mọi nhiệm vụ hay môi trường triển khai. Việc HarnessPro đưa ra nhiều phiên bản cũng phản ánh thực tế rằng hiệu suất và chi phí có thể đòi hỏi những lựa chọn khác nhau.11
16
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "HarnessPro giúp tác tử AI làm việc hiệu quả hơn mà vẫn kiểm soát chi phí thế nào?" là gì?
HarnessPro liên tục điều chỉnh hướng dẫn, công cụ và chính sách vận hành của tác tử AI, rồi đưa ra các phiên bản Lite, Medium và Heavy để phù hợp với những ưu tiên khác nhau về chi phí và hiệu suất.
Những điểm chính cần xác nhận đầu tiên là gì?
HarnessPro liên tục điều chỉnh hướng dẫn, công cụ và chính sách vận hành của tác tử AI, rồi đưa ra các phiên bản Lite, Medium và Heavy để phù hợp với những ưu tiên khác nhau về chi phí và hiệu suất. Thay vì tìm một cấu hình tối ưu cho mọi trường hợp, phương pháp này dùng bài kiểm tra tổng hợp và lựa chọn theo biên Pareto để giữ lại các phương án tiết kiệm, cân bằng hoặc ưu tiên hiệu suất.[3][11]
Nguồn
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 ...