Harness2
谷歌研究团队开源的Agent框架，在测试阶段递归改写Agent harness结构，不更新模型权重即可提升模型表现，采用Apache-2.0许可
时间轴 (近 90 天)
仅凭 Hacker News 上的一条链接，无法确认 Harness2 是论文、开源代码库还是技术博客。
从 Google Research 的发布渠道来看，Harness2 更可能是一个研究性质的原型或概念框架，而非即用型产品。
Harness2 的工作循环是：Agent 针对新任务提出对现有 Harness 的修改方案，并行运行几个候选版本，通过比较实际表现选出更优的那个。
Google Research 开源了 Harness2，一个让 AI Agent 的「脚手架」具备自我改进能力的框架。
Harness2 的改进过程中模型权重全程不变，改进完全发生在配置层。
Harness2 任务完成后会保存改进后的 Harness 和相关经验，使后续编辑从更高起点开始。
Harness2 采用无需评分模型（grader-free）的相对评估，通过候选版本之间的横向比较择优，不需要标准答案或外部打分器。
Harness2 与模型微调形成互补：微调改变模型本身，Harness2 改变模型的使用方式，后者更轻量且更容易跨模型迁移。
Google 在 Gemini 3.5 Flash 和 GLM-5 两个模型上验证 Harness2，覆盖法律、办公和专业工作三类基准。
在基准测试中，即使只做一轮 Harness 编辑，表现就已超过原始配置；增加编辑轮数，分数继续上升。
还有 12 条时间轴事件
全部知识事实 (20)
仅凭 Hacker News 上的一条链接，无法确认 Harness2 是论文、开源代码库还是技术博客。
50%待验证在基准测试中，即使只做一轮 Harness 编辑，表现就已超过原始配置；增加编辑轮数，分数继续上升。
50%待验证同时使用 Gemini 3.5 Flash 和 GLM-5 两个不同家族的模型测试，说明 Harness2 方法本身不依赖特定模型特性。
50%待验证Harness2 的工作循环是：Agent 针对新任务提出对现有 Harness 的修改方案，并行运行几个候选版本，通过比较实际表现选出更优的那个。
50%待验证Harness2 的改进过程中模型权重全程不变，改进完全发生在配置层。
50%待验证Harness2 任务完成后会保存改进后的 Harness 和相关经验，使后续编辑从更高起点开始。
50%待验证Harness2 采用无需评分模型（grader-free）的相对评估，通过候选版本之间的横向比较择优，不需要标准答案或外部打分器。
50%待验证Harness2 与模型微调形成互补：微调改变模型本身，Harness2 改变模型的使用方式，后者更轻量且更容易跨模型迁移。
50%待验证Google 在 Gemini 3.5 Flash 和 GLM-5 两个模型上验证 Harness2，覆盖法律、办公和专业工作三类基准。
50%待验证目前公开信息只提到「分数更高」，没有给出具体提升幅度和基准细节。
50%待验证Harness2 的核心思路是在测试阶段递归地改写 Agent harness，而不更新模型权重。
50%待验证据官方披露，仅一个精炼步骤就让 GLM-5 在 WorkBuddy-Bench 上提升了 11.5 分。
50%待验证Harness2 的递归改写是指把 harness 的改写结果再作为下一轮改写的输入，形成迭代。
50%待验证递归改写要求框架具备对自身行为的评估能力，否则会发散或陷入局部最优。
50%待验证Harness2 将测试时计算从对答案的搜索扩展到对 harness 结构的搜索。
50%待验证递归改写后的 harness 是否会在任务间产生行为漂移，需要更长期的评测数据。
50%待验证Harness2 每次递归的评估计算成本并未在官方披露中量化。
50%待验证该漏洞的发现最初出现在 Hacker News 上，讨论热度为5个点数、0条评论。
50%待验证从 Google Research 的发布渠道来看，Harness2 更可能是一个研究性质的原型或概念框架，而非即用型产品。
50%待验证Google Research 开源了 Harness2，一个让 AI Agent 的「脚手架」具备自我改进能力的框架。
50%