Mid-Harness：命令执行前先审一遍，终端任务涨 18 个点

终端 agent 有个聊天模型没有的麻烦：动作做错了，世界就变了。装错一个包，后面每一步都在坏掉的环境里干活，哪怕模型换一次就能给出正确命令。论文《Mid-Harness》（arXiv 2609.39982，Hugging Face 96 赞）把算力恰好放在这个位置：先采样多个候选动作，验证一遍，再把其中一个交给 harness 执行。生成模型不动，harness 也不动，新加的一层夹在两者中间。

核心数字：在 TerminalBench-Lite 上，生成用 TMAX-9B、验证用 GPT-5.6 Sol，采样 8 个动作，Pass@1 从 50.00% 提到 68.03%。写命令的还是同一个模型，执行的还是同一个 harness，这 18 个点全部来自从小模型本来就能写出的选项里挑得更准。

关键发现在验证器。验证器弱的时候，多采样几乎没用：好选项明明就在那儿，就是认不出来。验证器强了，这些选项才被盘活。如果让同一个 9B 模型自己当验证器，两两比较是测试过的几种机制里效果最好的。把强验证器的判断蒸馏进小模型，还能再涨，而且完全不碰生成器。

成本结论最实用。把动作级扩展和轨迹级扩展结合起来，成功率更高，估算的 token 成本反而比单纯多跑几条完整轨迹更低。现在大家说 agent 的测试时计算，基本就是整局重跑、挑最好的那条。这篇论文说明，更便宜的单位是单个动作，在它造成破坏之前就审掉。

这跟最近几周的走向一致：提升来自 harness，而不是模型本身。它也恰好说明了决策模型该放在哪：每条不可逆命令前面，放一个快速的两两比较验证器。

链接：arxiv.org/abs/2609.39982