训练一次 harness，四个模型的 Terminal-Bench 都涨了
Megadragon9 · reddit · 2026-07-24
只训练 harness，不训练模型本体，也能把 Terminal-Bench 拉高
作者分享了一个实验：他们训练的不是底座模型，而是 agent harness 本身——也就是 prompts、tools、context management、repair loops 这些外围系统。结果是 Terminal-Bench 2.0 的分数在多个模型上都提升了，包括 DeepSeek v3.2、GPT-OSS 20B/120B、MiniMax M2.5，而且还超过了官方 Terminus 2 harness。
这套方法的要点是：
- 把模型冻结，只优化 harness
- harness 代码只有一个 Python 文件
- 训练循环会提出修改，再按量化标准决定是否晋级
- 作者用一台租来的、带 5090 GPU 的服务器跑了一个小模型 Qwen 3.6 35B A3B NVFP4 来训练 harness
作者认为，这种方式带来的改进具有一定 跨任务环境迁移性，而不是只对训练时用的模型有效。文章还提到，他们顺手做了一个更通用的、类似 PyTorch 风格的 agent harness 训练框架，可接 OpenAI-compatible API，也能用于 Terminal-Bench 和 SWE-Bench；最初版本最大的短板是 确定性不足。
「编程与Agent」频道最新
- Kolab 基准：真人屏幕录像揭示 AI Agent 高估自身协作质量 — minnesotanlp · 2026-10-27
- 开发者吐槽 Claude 烧 token：同样工作 GPT 省 3 倍用量更便宜 — haider1 · 2026-10-27
- InfoWorld：别把模型当地基，Agent 架构必须做到 48 小时可换模型 — rseroter · 2026-10-27
- 便宜模型跑 Agent 反而更贵：线性往返堆爆上下文窗口 — vasuman · 2026-10-27
- 5 千行 Rust 单二进制看板 Kanzo：给 Claude Code 当任务板 — allmudi · 2026-10-27
- 「人类审批就安全」是幻觉：approval fatigue 与 Agent 风险设计 — Efistoffeles · 2026-10-27