长时程任务新框架：任务状态外置+审计循环，OSWorld 得分翻三倍

rohanpaul_ai · x · 2026-08-30

arXiv 论文 LongHorizon-Harness（2608.01964）针对 LLM agent 执行长时程任务的核心痛点提出方案：

• 问题：现有 agent harness 把任务执行、任务状态与完成判断都塞进不断膨胀的上下文里，状态难以追踪，错误的自我评估还会传导进后续决策。
• 方法：把长时程执行重构为任务状态管理问题——任务状态显式维护在执行之外，只写入从环境独立验证过的事实。核心是 Manage-Execute-Audit（MEA）循环：manager 维护任务状态并决定下一子任务；executor 用全新上下文执行；只读 auditor 在下一轮前验证环境状态。另有轻量 AgentAdapter 支持模型与 harness 后端热插换。
• 结果：Qwen 3.7-Plus 在 WeaveBench 从 51.8% 提到 80.7%，Terminal-Bench 2.1 从 69.7% 到 77.2%，OSWorld 2.0 从 2.8% 到 8.3%；Claude Opus 4.7 在 OSWorld 2.0 子集上从 20.0% 提到 34.3%，跨模型、跨 harness、跨交互域均稳定增益。

原文链接 →

「编程与Agent」频道最新

• 你用 Agent 构建且最高频使用的个人应用是什么？ — dbreunig · 2026-08-30
• JIT-Agent：弱模型靠自写脚手架击败强模型 — krishnan · 2026-08-30
• 别给 Grok 机器人起名？反方：把任务都委托出去才是正解 — omarsar0 · 2026-08-30
• 实测 Codex 近乎一次通过：20 年老 PHP 代码库重写为现代 JS — cnakazawa · 2026-08-30
• 前工程总监：用 LLM 写代码的核心是构建系统外的系统 — viksit · 2026-08-30
• AI Agent 落地困局：除了客服，还有哪些真有 ROI 的场景？ — AdGrouchy7150 · 2026-08-30

更多「编程与Agent」频道 AI 资讯 →