Harness²: Google Research показывает, что обвязка агента - поверхность настройки, а не только модель
Статья Google Research переписывает исполнительную обвязку вокруг замороженной модели через два уровня рекурсии. Один шаг поднял GLM-5 до 75,7 на WorkBuddy-Bench - выше базовых 72,4 Gemini 3.5 Flash. Настоящий вывод больше, чем скриншот таблицы лидеров.
Harness²: Google Research показывает, что обвязка агента - отдельная поверхность настройки, независимая от модели
В статье Google Research, опубликованной в этом месяце и прочитанной мной 23 октября 2026 года, представлен Harness²: фреймворк, который переписывает исполнительную обвязку вокруг замороженной модели - промпты, инструменты, память, оркестрацию - через два уровня рекурсии, без внешнего верификатора с эталонными ответами. Один шаг улучшения поднял замороженную GLM-5 до 75,7 на WorkBuddy-Bench - выше базовых 72,4 Gemini 3.5 Flash на том же бенчмарке. Сравнение, которым делятся в сети, настоящее, но его легко прочитать неправильно.
Что на самом деле делает Harness²
Статья - "Harness²: Recursive Agent Harnessing for an Open World", arXiv 2610.14224, подана 9 октября 2026 года, авторы Ruiyao Xu, Yanfei Chen и семь соавторов - начинается с простого наблюдения: агент - это модель плюс обвязка, а обвязку обычно проектируют вручную один раз, под задачи, которых никто ещё не видел. Harness² делает объектом оптимизации саму обвязку. Рекурсия уровня задачи выполняет контрастный шаг Propose-Probe-Compose: предложить правки обвязки текущей задачи, проверить их эффект на той же задаче и собрать улучшенную обвязку из поведенческих контрастов между прогонами - сознательно без эталонной обратной связи, потому что у задач открытого мира верификатора в момент теста нет. Рекурсия уровня обвязки затем перегоняет сработавшее в постоянную "обвязку улучшения", которая переносит уроки на будущие задачи. Веса модели не меняются. Абстракт на arXiv
Цифры - с сохранением рамки
Результат, который разошёлся по соцсетям на этой неделе, настоящий, и это собственный результат статьи: на WorkBuddy-Bench, JobBench и LAB один шаг Harness² улучшает замороженные GLM-5 и Gemini 3.5 Flash поверх их базовых обвязок (готовые OpenCode и Codex), с приростом до 11,5 баллов на WorkBuddy-Bench, 4,5 на JobBench и 11,8 процентных пункта на частичном проходе LAB. На WorkBuddy-Bench один шаг поднимает GLM-5 до 75,7 с OpenCode и 75,3 с Codex - формулировка статьи: "превосходя соответствующие базовые результаты Gemini 72,4 и 74,5". Обратите внимание, что это за сравнение: улучшенная GLM-5 против неизменённой стартовой обвязки Gemini, а не GLM-5, побеждающая Gemini как модель. С тем же шагом сама Gemini 3.5 Flash поднимается с 72,4 до 77,5, а до 80,8 - с пятью раундами параллельной рекурсии. Вывод не в том, что какая-то модель побеждает, а в том, что значительная часть того, что мы называем возможностями модели, живёт в обвязке - и её можно улучшать механически.
Практическая форма
Релиз - это рабочий код, а не только статья: репозиторий публичен под лицензией Apache 2.0 (я прочитал файл LICENSE), с инструкциями по установке и бенчмаркам для JobBench, LAB и WorkBuddy-Bench, поддержкой исполнителей OpenCode и Codex, а также параллельного и последовательного режимов рекурсии. Приведённые цифры - собственные средние авторов со стандартными отклонениями, что нормально для первичного исследовательского релиза; независимое воспроизведение - обычный следующий шаг, прежде чем считать величину эффекта устоявшейся.
Почему, по-моему, это важно
Большинство публичных сравнений моделей молча считает обвязку константой, а модель - переменной. Эта работа переворачивает эксперимент и находит двузначные сдвиги в той части, которую мы держали неизменной. Для тех, кто строит агентов, практический вывод - не "смените модель", а "ваша обвязка - версионируемый, тестируемый артефакт, в котором лежат реальные баллы" - и статья даёт один рабочий метод её настройки. Это полезнее, чем скриншот таблицы лидеров.