HarnessEval 开源框架将基准测试升级为智能代理工作流

MirroS 联合清华、北大、伯克利、MIT 等机构发布开源评测框架 HarnessEval 及新基准 HarnessEval-W，主张将评测从静态 Metric 升级为可执行的智能代理评测系统。该框架利用代理主动解释上下文，将高层评估问题分解为子问题并调用工具完成。HarnessEval-W 则将 harness 范式引入视觉世界模型评测，通过分层子智能体为每个打分生成透明、可审计的推理链，使评估过程本身也可被检查。

2026-08-18 ~ 2026-08-19 · 4 条相关

• HarnessEval-W：分层子 Agent 分解视觉世界评估 — MirroS-Lab · 2026-08-18
• HarnessEval发布：评测从Metric进化为可执行系统 — 机器之心 · 2026-08-18
• HarnessEval-W 发布：用子智能体让世界模型评测可审计 — _akhaliq · 2026-08-18
• HarnessEval 发布：将基准测试转化为智能代理工作流 — ziqi_huang_ · 2026-08-19