0参数微调让Agent智商暴涨138%，Self-Harness 自我演进框架｜大模型“外骨骼”的自我进化

要約

拆解一篇 2026 年 agent 工程論文 Self-Harness：讓 agent 在無人類與無外部強模型介入下，自己發現失敗模式、修改自身框架程式碼、並用嚴格的雙盲測試把關，藉此讓同一顆基座模型在完全不動參數的情況下大幅提升任務通過率。核心論點是 agent 能力上限不只取決於基座模型，也取決於包裹它的外骨骼（harness）。內容為簡體中文頻道轉寫，已正體化與用語校正。

要点

• 提出自我眼睛（Self-Harness）三階段閉環：弱點挖掘（抓取失敗軌跡的三元組失敗簽名）到框架提案（多樣性加最小化的非侵入式修改）到提案驗證（held-in 與 held-out 雙門檻皆不能退步才准合併）
• 在 Terminal-Bench 2.0 的 64 個任務子集上，Qwen 3.5 35B 的 held-in 通過率從 15.1% 提升到 36%（相對提升 138%），held-out 從 23.8% 提升到 38.1%
• MiniMax M2.5 held-out 通過率從 40.5% 提升到 61.9%（絕對提升 21.4 個百分點）；GLM-5 held-out 從 42.9% 提升到 57.1%
• 不同模型的失敗模式完全不同：Qwen 3.5 容易陷入無效死循環，被加上例外觸發中間件；MiniMax M2.5 過度探索，被強制要求提早交付草稿；GLM-5 容易丟失環境狀態，被加上持久化環境變數機制
• 核心洞察：模型的智商與外部框架強耦合，很多時候看似模型變笨，其實是模型與粗糙操作框架之間產生了工程摩擦
• 三個落地雷區：需要絕對確定性的驗證器（開放式任務難寫）、修改被限制在系統提示與工具配置等表層、生產環境中自動變異可能帶來風險與延遲震盪未被納入門控

引用