论文页面 - Mid-Harness：在模型与 Harness 之间扩展动作的规模

来源：https://huggingface.co/papers/2609.39982 作者：

,

,

,

,

,

,

,

,

,

摘要

终端智能体（Terminal agents）依靠随机的模型生成来执行操作，但生成出一个有用的动作并不意味着该动作能被可靠地执行。一个糟糕的命令（例如装错了包）会以阻碍后续进展的方式改变环境，即便模型其实能够生成更好的替代方案。我们探究：在模型与 harness 的边界上分配测试时计算（test-time compute），是否能够提升动作的可靠性与轨迹的成功率，以及是什么让这种分配真正有效。为研究这些问题，我们提出 Mid-Harness：它在将候选动作转发去执行之前，先对其进行采样与验证，同时保持生成器（generator）与 harness 不变。在使用 TMAX-9B 作为生成器时，更多地采样动作在弱验证条件下几乎收效甚微，而一个能力较强的验证器（verifier）则能利用同一生成器产出的有用替代动作。在 TerminalBench-Lite 上，采用 GPT-5.6 作为验证器、采样 8 个动作时，Pass@1 从基础智能体的 50.00% 提升到了 68.03%。当由同一个 TMAX-9B 模型充当验证器时，在我们评测的各类验证机制中，成对验证（pairwise verification）的表现最好。将更强验证器的响应蒸馏（distilling）进 TMAX-9B，可以进一步提高 Pass@1，同时动作生成器保持不变。在 TerminalBench-Lite 上使用 TMAX-9B 时，将动作扩展与轨迹扩展相结合，能在更低的估计 token 成本下达到比单纯生成更多轨迹更高的成功率。Mid-Harness 在更多模型、基准和 harness 上同样带来了性能提升。这些发现表明，动作扩展是终端智能体上进行测试时计算扩展的一个有前景的方向。

查看 arXiv 页面 (https://arxiv.org/abs/2609.39982)　查看 PDF (https://arxiv.org/pdf/2609.39982)　项目主页 (https://byungkwanlee.github.io/MidHarness-page/)　加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.39982)

在你的智能体中获取这篇论文：

hf papers read 2609\.39982

还没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本论文的模型0

没有模型关联到本论文。

在模型的 README.md 中引用 arxiv.org/abs/2609.39982，即可在此页面建立链接。

引用本论文的数据集0

没有数据集关联到本论文。

在数据集的 README.md 中引用 arxiv.org/abs/2609.39982，即可在此页面建立链接。

引用本论文的 Space0

没有 Space 关联到本论文。

在 Space 的 README.md 中引用 arxiv.org/abs/2609.39982，即可在此页面建立链接。

收录本论文的合集0

没有合集收录本论文。

将本论文加入合集 (https://huggingface.co/new-collection)，即可在此页面建立链接。