Google Cloud AI Research відкрила Harness² — фреймворк, що змінює оточення агента без зміни ваг моделі. GLM-5 під OpenCode покращив результат із 64,2 до 75,7 на WorkBuddy-Bench, за даними MarkTechPost.

Приріст нерівномірний: від 1,2 до 11,5 пункта. Харнес змінює окрема модель-редактор, за замовчуванням Claude Opus 4.8. Для цього фреймворк кілька разів запускає агента на тій самій задачі.

Що саме Harness² переписує в агенті?

Harness² змінює харнес агента: промпти, настанови щодо інструментів, пам’ять, навички та оркестрацію. Ваги моделі залишаються незмінними: фреймворк її не навчає.

Цільовий сценарій — відкритий світ: задачі надходять наперед невідомі, а верифікатора, який визначить правильність відповіді, немає. Дослідники стверджують, що більшість методів самовдосконалення потребують розмітки або тестів. Harness² має працювати без них.

Фреймворк дозволяє редагувати вісім компонентів, кожен з яких представлений файлом: системний промпт, захисні правила, пам’ять, настанови щодо інструментів, субагентів, навички, скрипти та плагіни (middleware).

Рекурсія має два рівні. На рівні задачі агент спершу виконує її з базовим харнесом. Потім редактор пропонує два варіанти: інваріантний, спрямований на загальні збої планування чи роботи з інструментами, і доменний, що уточнює знання та процедури поточної галузі. Агент виконує ту саму задачу з кожним варіантом. Композитор порівнює перебіг цих запусків із базовим і залишає лише правки, підкріплені спостережуваною поведінкою.

На рівні харнесингу після кожної задачі компонент reflector зберігає прийнятий харнес і файл EXPERIENCE.md з висновками. Ця бібліотека спрямовує майбутні пропозиції редактора, але кожна нова задача починається з базового харнеса.

Наскільки Harness² покращує результат?

Harness² після одного кроку уточнення покращив усі чотири конфігурації на всіх трьох бенчмарках: WorkBuddy-Bench, JobBench і Harvey’s LAB. Дослідники перевіряли Gemini 3.5 Flash і GLM-5 під OpenCode та Codex, а результати усереднили за трьома запусками.

Найбільший приріст отримав GLM-5 під OpenCode на WorkBuddy-Bench: 11,5 пункта, із 64,2 до 75,7. Найменший — GLM-5 під Codex на JobBench: 1,2 пункта, із 23,6 до 24,8.

Слабші виконавці виграли більше. Після одного кроку GLM-5 обійшов базовий Gemini 3.5 Flash на WorkBuddy-Bench. Паралельна рекурсія з k=5 підняла результат Gemini під OpenCode до 80,8 на тому ж бенчмарку.

На WorkBuddy-Bench три з чотирьох конфігурацій також витрачали менше кроків на задачу. Для Gemini під OpenCode кількість кроків скоротилася з 25,4 до 21,9.

Скільки додаткових запусків потребує Harness²?

Harness² на одному кроці потребує базового виконання задачі та двох виконань із запропонованими варіантами харнеса: 1 + 2 = щонайменше 3 виконання.

Бюджет k визначає масштаб пошуку. У паралельному режимі фреймворк перевіряє k інваріантних і k доменних варіантів, а потім робить k композицій. У послідовному режимі він виконує k кроків уточнення один за одним. За k=5 паралельний режим перевіряє 5 + 5 = 10 варіантів харнеса на тій самій задачі.

До цих запусків додається робота редактора. У тестах редактором за замовчуванням був Claude Opus 4.8, а виконавцями — Gemini 3.5 Flash і GLM-5. Вимоги до GPU джерело не наводить.

Редактор може змінювати скрипти й плагіни, тому MarkTechPost радить самостійно ізолювати запуски.

Як запустити Harness² у себе?

Harness² має локальне демо без облікових даних моделей, а запуски з моделями потребують проєкту Vertex AI.