Harness² : une recherche Google montre que le harnais de l'agent est une surface réglable, pas seulement le modèle
Un article de Google Research réécrit le harnais d'exécution autour d'un modèle gelé via deux niveaux de récursion. Une étape a hissé GLM-5 à 75,7 sur WorkBuddy-Bench - au-dessus du 72,4 de base de Gemini 3.5 Flash. Le vrai enseignement dépasse la capture d'écran du classement.
Harness² : une recherche Google établit que le harnais d'un agent est une surface réglable, distincte du modèle
Un article de Google Research publié ce mois-ci, que j'ai lu le 23 octobre 2026, présente Harness² : un cadre qui réécrit le harnais d'exécution autour d'un modèle gelé - prompts, outils, mémoire, orchestration - via deux niveaux de récursion, sans aucun vérificateur à réponses de référence. Une seule étape d'amélioration a hissé GLM-5 gelé à 75,7 sur WorkBuddy-Bench, au-dessus du score de base 72,4 de Gemini 3.5 Flash sur le même benchmark. La comparaison partagée en ligne est réelle, mais facile à mal lire.
Ce que fait réellement Harness²
L'article - "Harness² : Recursive Agent Harnessing for an Open World", arXiv 2610.14224, soumis le 9 octobre 2026, par Ruiyao Xu, Yanfei Chen et sept co-auteurs - part d'une observation simple : un agent est un modèle plus un harnais, et le harnais est généralement conçu à la main une fois, pour des tâches que personne n'a encore vues. Harness² traite le harnais lui-même comme l'objet à optimiser. La récursion au niveau de la tâche exécute une étape contrastive Propose-Probe-Compose : proposer des modifications du harnais de la tâche courante, en tester les effets sur cette même tâche, puis composer un harnais affiné à partir des contrastes comportementaux entre exécutions - délibérément sans retour de vérité terrain, car les tâches du monde ouvert n'ont pas de vérificateur au moment du test. La récursion au niveau du harnais distille ensuite ce qui a fonctionné dans un "harnais d'amélioration" persistant qui reporte les leçons sur les tâches futures. Les poids du modèle ne changent jamais. Résumé arXiv
Les chiffres, avec le cadrage intact
Le résultat qui circule sur les réseaux sociaux cette semaine est réel, et c'est celui de l'article : sur WorkBuddy-Bench, JobBench et LAB, une seule étape Harness² améliore GLM-5 et Gemini 3.5 Flash gelés par rapport à leurs harnais de base (OpenCode et Codex tels quels), avec des gains jusqu'à 11,5 points sur WorkBuddy-Bench, 4,5 sur JobBench et 11,8 points de pourcentage sur le taux de réussite partielle de LAB. Sur WorkBuddy-Bench précisément, une étape hisse GLM-5 à 75,7 avec OpenCode et 75,3 avec Codex - selon les termes de l'article, "dépassant les scores Gemini de base correspondants de 72,4 et 74,5". Notez bien la nature de cette comparaison : un GLM-5 amélioré contre le harnais de départ inchangé de Gemini, et non GLM-5 battant Gemini en tant que modèle. Avec la même étape, Gemini 3.5 Flash lui-même passe de 72,4 à 77,5, et jusqu'à 80,8 avec cinq tours de récursion parallèle. La conclusion n'est pas qu'un modèle l'emporte ; c'est qu'une fraction importante de ce que nous appelons la capacité du modèle vit dans l'échafaudage et peut être améliorée mécaniquement.
La forme pratique
La publication est une vraie base de code, pas seulement un article : le dépôt est public sous licence Apache 2.0 (j'ai lu le fichier LICENSE), avec des guides d'installation et de benchmark pour JobBench, LAB et WorkBuddy-Bench, la prise en charge des exécuteurs OpenCode et Codex, et des modes de récursion parallèle et séquentielle. Les chiffres rapportés sont les moyennes des auteurs eux-mêmes avec écarts-types, ce qui est normal pour une première publication de recherche ; la réplication indépendante est l'étape habituelle suivante avant de considérer l'ampleur des effets comme établie.
Pourquoi je pense que c'est important
La plupart des comparaisons publiques de modèles supposent tacitement que le harnais est fixe et que le modèle est la variable. Cet article inverse l'expérience et trouve des mouvements à deux chiffres dans la partie que nous maintenions constante. Pour qui construit des agents, la lecture pratique n'est pas "changez de modèle" mais "votre harnais est un artefact versionné et testable, avec de vrais points à la clé" - et l'article fournit une méthode fonctionnelle pour le régler. C'est un enseignement plus utile qu'une capture d'écran de classement.