把任务状态挪出上下文，agent 涨 30 分
HuggingFace Daily Papers 今天的 agent 头名论文，125 个赞：LongHorizon-Harness，arXiv 2608.01964。诊断的问题每个做 agent 的人都疼过：长任务失败，是因为任务计划和进度全塞在一个越滚越大的上下文里，模型走着走着就不知道自己在哪一步，更糟的是会自信地错判哪些事已经做完了。
解法是架构层面的，不靠更大的模型。把执行重新表述成任务状态管理问题：任务状态整个放在上下文之外，跑一个 Manage-Execute-Audit 循环，状态的每次更新都对照环境独立核验，而不是听信 agent 自己汇报干了什么。
数字很难反驳。Qwen 3.7-Plus 在 WeaveBench 上从 51.8 跳到 80.7，光靠 harness 涨了近 30 分；Terminal-Bench 2.1 从 69.7 到 77.2；Claude Opus 4.7 在 OSWorld 2.0 子集上从 20.0 爬到 34.3。权重一个字没动，变的只有脚手架。
这就是 2026 年反复出现的那一课：模型能做到的和 agent 实际做到的之间，差的主要是 harness，一个好 harness 比下一个 checkpoint 值钱。最值得抄走的是 audit 那一步，因为自我评估恰恰是 agent 最会骗自己的地方。论文在 arxiv.org/abs/2608.01964。
← 返回所有文章
解法是架构层面的，不靠更大的模型。把执行重新表述成任务状态管理问题：任务状态整个放在上下文之外，跑一个 Manage-Execute-Audit 循环，状态的每次更新都对照环境独立核验，而不是听信 agent 自己汇报干了什么。
数字很难反驳。Qwen 3.7-Plus 在 WeaveBench 上从 51.8 跳到 80.7，光靠 harness 涨了近 30 分；Terminal-Bench 2.1 从 69.7 到 77.2；Claude Opus 4.7 在 OSWorld 2.0 子集上从 20.0 爬到 34.3。权重一个字没动，变的只有脚手架。
这就是 2026 年反复出现的那一课：模型能做到的和 agent 实际做到的之间，差的主要是 harness，一个好 harness 比下一个 checkpoint 值钱。最值得抄走的是 audit 那一步，因为自我评估恰恰是 agent 最会骗自己的地方。论文在 arxiv.org/abs/2608.01964。
评论