四篇 agent 论文：借别人的 harness 训练，工具输出不必是文字
周末 arXiv 不出新批次，所以这是周五那堆里最好的四篇，共同主题是：模型周边的东西。
Harness-S（arXiv 2611.04277，Hugging Face 63 赞，这批里最热的 agent 论文）把「harness 很重要」这件事带进了训练。从同一个底座演化出来的 harness 变体，各自修的是不同的失败，哪个有用还会随着策略学习而变。所以作者不去找一个最好的 harness，而是维护一个固定的「兄弟 harness 池」，只在基础 harness 下所有 rollout 都失败时才动用。同一个策略在兄弟 harness 下重试，这些轨迹替换掉失败的那组拿去做 RL。训练完的策略回到原来的 harness 上，作者说在 AppWorld、SWE-Gym 和 DBBench 上明显好过只训策略。摘要里没给具体数字，引用提升幅度之前先读正文。
Coca-Cola（2611.06500，清华 THU-Agent）问了一个好问题：agent 为什么非得把工具输出当文字读？它把观察结果压缩成潜在 token，直接塞进 agent 的嵌入空间，训练目标是让 agent 的下一步动作跟读全文时一样。作者报告在两个模型家族、四个网页搜索问答基准上，token 少了 70% 到 89%，端到端时间少了 24% 到 56%，准确率还提高了。代码在 GitHub 上。目前只测了问答，写代码、操作浏览器能不能成立还不知道。
VisSearch-Bench（2611.04894）负责泼冷水：204 道人工写的题，agent 得把图片细节、物体、空间关系跟网页搜索结果串起来。16 个多模态模型里，最好的也只完整做对 26.47%，还是带着搜索工具的。
TB-MathModel（2611.08237）把真实的数学建模竞赛题变成终端任务，加了一道硬性可行性闸门，里面有 624 个 Lean 4 证明义务，物理上不可能的答案直接记零分。最高 64.58%，一个只花 2.54 美元的开源模型拿到 59.81%，成本约百分之一。用可行性校验代替 LLM 评委打分，这一点值得抄。
所有数字都来自论文摘要，没有第三方复现。
Harness-S：https://arxiv.org/abs/2611.04277
Coca-Cola：https://arxiv.org/abs/2611.06500
VisSearch-Bench：https://arxiv.org/abs/2611.04894
TB-MathModel：https://arxiv.org/abs/2611.08237
← 返回所有文章
Harness-S（arXiv 2611.04277，Hugging Face 63 赞，这批里最热的 agent 论文）把「harness 很重要」这件事带进了训练。从同一个底座演化出来的 harness 变体，各自修的是不同的失败，哪个有用还会随着策略学习而变。所以作者不去找一个最好的 harness，而是维护一个固定的「兄弟 harness 池」，只在基础 harness 下所有 rollout 都失败时才动用。同一个策略在兄弟 harness 下重试，这些轨迹替换掉失败的那组拿去做 RL。训练完的策略回到原来的 harness 上，作者说在 AppWorld、SWE-Gym 和 DBBench 上明显好过只训策略。摘要里没给具体数字，引用提升幅度之前先读正文。
Coca-Cola（2611.06500，清华 THU-Agent）问了一个好问题：agent 为什么非得把工具输出当文字读？它把观察结果压缩成潜在 token，直接塞进 agent 的嵌入空间，训练目标是让 agent 的下一步动作跟读全文时一样。作者报告在两个模型家族、四个网页搜索问答基准上，token 少了 70% 到 89%，端到端时间少了 24% 到 56%，准确率还提高了。代码在 GitHub 上。目前只测了问答，写代码、操作浏览器能不能成立还不知道。
VisSearch-Bench（2611.04894）负责泼冷水：204 道人工写的题，agent 得把图片细节、物体、空间关系跟网页搜索结果串起来。16 个多模态模型里，最好的也只完整做对 26.47%，还是带着搜索工具的。
TB-MathModel（2611.08237）把真实的数学建模竞赛题变成终端任务，加了一道硬性可行性闸门，里面有 624 个 Lean 4 证明义务，物理上不可能的答案直接记零分。最高 64.58%，一个只花 2.54 美元的开源模型拿到 59.81%，成本约百分之一。用可行性校验代替 LLM 评委打分，这一点值得抄。
所有数字都来自论文摘要，没有第三方复现。
Harness-S：https://arxiv.org/abs/2611.04277
Coca-Cola：https://arxiv.org/abs/2611.06500
VisSearch-Bench：https://arxiv.org/abs/2611.04894
TB-MathModel：https://arxiv.org/abs/2611.08237
评论