Harness²: بحث Google يُظهر أن حاضنة الوكيل سطح قابل للضبط لا مجرد النموذج

Harness²: بحث من Google يثبت أن حاضنة الوكيل سطح قابل للضبط، منفصل عن النموذج

ورقة بحثية من Google Research صدرت هذا الشهر، وقرأتها في 23 أكتوبر 2026، تقدّم Harness²: إطاراً يعيد كتابة حاضنة التنفيذ حول نموذج مجمّد - الموجّهات والأدوات والذاكرة والتنسيق - عبر مستويين من العودية، دون أي متحقق بإجابات مرجعية. خطوة تحسين واحدة رفعت GLM-5 المجمّد إلى 75.7 على WorkBuddy-Bench، متجاوزاً 72.4 التي حققها Gemini 3.5 Flash بالحاضنة الأساسية على المعيار نفسه. المقارنة المتداولة على الإنترنت حقيقية، لكن يسهل قراءتها خطأً.

ما الذي يفعله Harness² فعلاً

تنطلق الورقة - بعنوان "Harness²: Recursive Agent Harnessing for an Open World"، مسجّلة برقم arXiv 2610.14224، ومقدّمة في 9 أكتوبر 2026، بقلم Ruiyao Xu وYanfei Chen وسبعة مؤلفين مشاركين - من ملاحظة بسيطة: الوكيل نموذج زائد حاضنة، والحاضنة تُصمَّم يدوياً عادةً مرة واحدة، لمهام لم يرها أحد بعد. يعامل Harness² الحاضنة نفسها كموضوع للتحسين. تُنفّذ العودية على مستوى المهمة خطوة Propose-Probe-Compose التباينية: اقتراح تعديلات على حاضنة المهمة الحالية، واختبار أثرها على المهمة نفسها، ثم تركيب حاضنة محسّنة من التباينات السلوكية بين عمليات التنفيذ - عن قصد دون تغذية راجعة مرجعية، لأن مهام العالم المفتوح لا متحقق لها وقت الاختبار. ثم تُقطّر العودية على مستوى الحاضنة ما نجح في "حاضنة تحسين" دائمة تنقل الدروس إلى المهام المستقبلية. أوزان النموذج لا تتغير أبداً. ملخص arXiv

الأرقام، بالإطار الصحيح

النتيجة المتداولة على وسائل التواصل هذا الأسبوع حقيقية، وهي نتيجة الورقة نفسها: عبر WorkBuddy-Bench وJobBench وLAB، تحسّن خطوة Harness² واحدة كلاً من GLM-5 وGemini 3.5 Flash المجمّدين فوق حاضنتيهما الأساسيتين (OpenCode وCodex الجاهزين)، بمكاسب تصل إلى 11.5 نقطة على WorkBuddy-Bench و4.5 على JobBench و11.8 نقطة مئوية على معدل النجاح الجزئي في LAB. وعلى WorkBuddy-Bench تحديداً، ترفع خطوة واحدة GLM-5 إلى 75.7 مع OpenCode و75.3 مع Codex - بصياغة الورقة: "متجاوزة درجتي Gemini الأساسيتين المقابلتين 72.4 و74.5". انتبهوا لماهية هذه المقارنة: GLM-5 محسّن مقابل حاضنة Gemini الأساسية غير المعدّلة، وليس GLM-5 يتفوق على Gemini كنموذج. وبالخطوة نفسها يرتفع Gemini 3.5 Flash نفسه من 72.4 إلى 77.5، وإلى 80.8 مع خمس جولات من العودية المتوازية. الخلاصة ليست أن نموذجاً يفوز؛ بل أن جزءاً كبيراً مما نسميه قدرة النموذج يسكن في السقالات المحيطة ويمكن تحسينه آلياً.

الشكل العملي

الإصدار قاعدة كود حقيقية لا مجرد ورقة: المستودع عام بموجب رخصة Apache 2.0 (قرأت ملف LICENSE)، مع أدلة تثبيت ومعايير لـ JobBench وLAB وWorkBuddy-Bench، ودعم منفّذي OpenCode وCodex، ووضعَي العودية المتوازية والتسلسلية. الأرقام المعلنة متوسطات المؤلفين أنفسهم مع انحرافات معيارية، وهذا طبيعي لإصدار بحثي أولي؛ والتكرار المستقل هو الخطوة المعتادة التالية قبل اعتبار أحجام التأثير مستقرة.

لماذا أرى أن هذا مهم

معظم مقارنات النماذج العلنية تفترض ضمناً أن الحاضنة ثابتة والنموذج هو المتغير. هذه الورقة تعكس التجربة وتجد تحركات من خانتين عشريتين في الجزء الذي كنا نثبّته. القراءة العملية لبنّاء الوكلاء ليست "بدّل النموذج" بل "حاضنتك أثر قابل للإصدار والاختبار ونقاط حقيقية على الطاولة" - والورقة تقدّم طريقة عملية واحدة لضبطها. هذا أجدى من لقطة شاشة لجدول الصدارة.

المصادر

• arXiv 2610.14224: Harness² - Recursive Agent Harnessing for an Open World
• github.com/google-research/harness2 (Apache 2.0)
• صفحة مشروع Harness²