智能体RL新维度：Harness Scaling 让模型跨执行配置泛化

事件核心：发生了什么

2026 年 10 月 21 日发布的这篇论文指出，现代智能体通过 harness（执行框架）与工具、上下文和长程交互打交道，而现有智能体强化学习通常只在一套固定 harness 上训练，容易过拟合到特定配置。作者把系统提示、工具接口、观测格式、上下文管理和工作流 5 个组件各设 3 种实现，构成 243 种完整配置，再用强度 2 正交设计选出 18 种训练配置，使每个取值和每对取值出现频率均衡，同时保留大量未在训练中出现的组合用于测试。训练算法仍为标准 PPO 或 GRPO，变化只在任务与 harness 实例的分配方式。实验基于 Qwen3-4B-Instruct 和 Qwen3-30B-A3B-Instruct，各训练 300 步，指标为 Pass@1，三次独立运行取平均。

为什么重要

这相当于在“解什么任务”和“在什么环境操作”之外，提出第三条扩展轴：怎么执行。目前公开信息显示，Harness Scaling 在多个评测、模型规模和 RL 算法上，对未见白盒配置的泛化均有提升；经结构化白盒变化训练的模型也能迁移到未见的外部黑盒 harness，表现优于直接在单一复杂黑盒 harness 上训练。对行业而言，这意味着智能体训练不应只追求更大模型或更多任务，如何组织 harness 多样性本身也是可优化的变量。

对用户/开发者/创作者的影响

对做 AI 应用和 API 集成的开发者，论文提示应重视 harness 层的差异：同一任务换一套工具命名、观测格式或上下文策略就可能影响智能体表现。若后续工程化验证成立，团队可在训练与评测中加入受控的配置变化，而不是只针对一个产品界面调优。对使用智能体产品的普通用户，短期没有直接功能变化；论文未表明已上线产品或服务。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

一是这套方法能否在更多真实产品级 harness 上复现；二是正交选样是否会带来可核算的 token、时间或算力节省，论文目前未报告相关节省数据；三是开源模型与闭源 API 生态中，是否会跟进出现标准化的 harness 多样性评测基准。

来源：alphaXiv