HarnessDev：模型能不能自己造 harness？字节跳动把它做成了基准

字节跳动 Seed 发布了 HarnessDev（arXiv 2609.01437，HF 日榜 215 个赞），把全年大家绕着转的那个问题做成了基准：LLM 能不能创造并进化自己的 agent harness？论文的出发点值得裱起来：权重不动，换 harness，任务表现大幅变化。就是 ARC Prize 这周用 Astra 那 37 个点的 harness 差距演示的同一个事实——巧的是，基准和实证同一周到货。

设计分两个阶段。创造：模型从极简的起始条件搭出一套完整执行系统。进化：拿着性能反馈迭代改进。六个创造者模型，四个应用领域，五个下游基准，2207 个实例，外加防过拟合的隐藏任务。

结果是那种有用的清醒剂。模型造的 harness 在代码和研究任务上还是明显输给人类工程师的作品——但在写作和机器学习任务上已经打平甚至反超。最锋利的发现是：harness 带来的增益强烈依赖于执行它的模型，跨模型迁移很有限。harness 不是随便换模型的中性外壳，它是特定模型-harness 共生体的一半。

这条线我们一路追过来——Harness-of-Harness（https://clauday.com/zh/article/c1a7e88d-4f79-4a2f-9ce2-9ebfa2cf4481）、HarnessLens、TaoLive 的 harness 感知训练。从给 harness 命名，到给"模型自己造 harness"做基准，这个领域只用了半年。论文在 https://arxiv.org/abs/2609.01437。