Harness²: מחקר של Google מראה שמעטפת הסוכן היא משטח כוונון, לא רק המודל

Harness²: מחקר של Google מראה שהמעטפת של הסוכן היא משטח כוונון, נפרד מהמודל

מאמר של Google Research שפורסם החודש, וקראתי אותו ב-23 באוקטובר 2026, מציג את Harness²: מסגרת שכותבת מחדש את מעטפת הביצוע סביב מודל קפוא - פרומפטים, כלים, זיכרון, תזמור - דרך שתי רמות של רקורסיה, בלי מאמת חיצוני עם תשובות נכונות. צעד שיפור אחד הרים את GLM-5 הקפוא ל-75.7 ב-WorkBuddy-Bench, מעל 72.4 של Gemini 3.5 Flash עם מעטפת הבסיס באותו מדד. ההשוואה שמשתפים ברשת אמיתית, אבל קל לקרוא אותה לא נכון.

מה Harness² עושה בפועל

המאמר - "Harness²: Recursive Agent Harnessing for an Open World",‏ arXiv 2610.14224, הוגש ב-9 באוקטובר 2026, מאת Ruiyao Xu,‏ Yanfei Chen ושבעה שותפים - מתחיל מתצפית פשוטה: סוכן הוא מודל ועוד מעטפת, והמעטפת בדרך כלל מעוצבת ידנית פעם אחת, למשימות שאף אחד עוד לא ראה. Harness² מתייחס למעטפת עצמה כאל הדבר שצריך למטב. רקורסיה ברמת המשימה מריצה צעד ניגודי של Propose-Probe-Compose: להציע עריכות למעטפת המשימה הנוכחית, לבחון את השפעתן על אותה משימה, ולהרכיב מעטפת מחודדת מניגודים התנהגותיים בין ריצות - בכוונה בלי משוב של אמת-קרקע, כי למשימות עולם פתוח אין מאמת בזמן הבדיקה. רקורסיה ברמת המעטפת מזקקת את מה שעבד לתוך "מעטפת שיפור" מתמשכת שנושאת לקחים למשימות עתידיות. משקלי המודל לא משתנים. תקציר ב-arXiv

המספרים, עם המסגור השלם

התוצאה שמתפשטת ברשתות החברתיות השבוע אמיתית, והיא תוצאת המאמר עצמו: ב-WorkBuddy-Bench,‏ JobBench ו-LAB, צעד Harness² אחד משפר את GLM-5 ואת Gemini 3.5 Flash הקפואים מעל מעטפות הבסיס שלהם (OpenCode ו-Codex מהמדף), עם עליות של עד 11.5 נקודות ב-WorkBuddy-Bench, 4.5 ב-JobBench ו-11.8 נקודות אחוז בשיעור המעבר החלקי של LAB. ב-WorkBuddy-Bench ספציפית, צעד אחד מרים את GLM-5 ל-75.7 עם OpenCode ו-75.3 עם Codex - בניסוח המאמר, "עובר את ציוני הבסיס המקבילים של Gemini, 72.4 ו-74.5". שימו לב מה ההשוואה הזו: GLM-5 משופר מול מעטפת הבסיס הבלתי-משתנה של Gemini, לא GLM-5 שמנצח את Gemini כמודל. עם אותו צעד, Gemini 3.5 Flash עצמו מטפס מ-72.4 ל-77.5, ועד 80.8 עם חמישה סבבים של רקורסיה מקבילית. הממצא הוא לא שמודל אחד מנצח; הוא שחלק ניכר ממה שאנחנו מכנים יכולת מודל יושב בפיגומים שמסביב ואפשר לשפר אותו מכנית.

הצורה המעשית

השחרור הוא בסיס קוד אמיתי, לא רק מאמר: המאגר פומבי ברישיון Apache 2.0 (קראתי את קובץ ה-LICENSE), עם מדריכי התקנה ובנצ'מרק ל-JobBench,‏ LAB ו-WorkBuddy-Bench, תמיכה במבצעי OpenCode ו-Codex, ומצבי רקורסיה מקבילית ורציפה. המספרים המדווחים הם ממוצעי המחברים עצמם עם סטיות תקן, מה שתקין לשחרור מחקרי ראשון; שכפול עצמאי הוא הצעד הרגיל הבא לפני שמתייחסים לגודל האפקט כמבוסס.

למה אני חושב שזה חשוב

רוב השוואות המודלים הפומביות מניחות בשקט שהמעטפת קבועה והמודל הוא המשתנה. המאמר הזה הופך את הניסוי ומוצא תנועות דו-ספרתיות בחלק שהחזקנו קבוע. למי שבונה סוכנים, הקריאה המעשית היא לא "החליפו מודל" אלא "המעטפת שלכם היא ארטיפקט בן-גירסה ובן-בדיקה עם נקודות אמיתיות על השולחן" - והמאמר מוסר שיטה עובדת אחת לכוון אותה. זו נקודה שימושית יותר מצילום מסך של טבלת מובילים.

מקורות

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