训练一个用于模型无关和任务环境无关的能力改进的harness，基于类似PyTorch的框架 [P]

在过去的几个月里，我参与了该项目（https://github.com/workofart/harness-training），将“基于Agent的自改进训练框架”重新定义为“训练框架（Harness Training）”。其核心理念是：首先，利用固定的任务LLM在特定任务环境中一次性训练出训练框架；随后，你可以在任意新任务环境中，用其他任务LLM替换原来的任务LLM，并借助该“固定训练框架”进行评估。鉴于这是一个通用问题，我借此机会创建了一个类似PyTorch的通用训练框架。目前，你可以通过任何兼容OpenAI的API来与任务LLM进行交互，并能针对Terminal-Bench或SWE-Bench任务进行训练，同时你可以轻松扩展它来支持任意任务环境。 ``` criterion = StrictPareto() optimizer = GreedyMonotonic() trainer = Trainer( config_path="config/train_harness.yaml", estimator=AgenticEstimator( backend=CodexAgentBackend(...) ), criterion=criterion, optimizer=optimizer, ) for loss in trainer.epochs(30): # 记录基线vs候选的判断结果 loss.backward() # 优化器要么将候选变更（git commit）快速推进为新基线，要么拒绝它（保留为git引用） optimizer.step() ``` 我写了一篇关于此过程的博客文章（https://www.henrypan.com/blog/2026-07-18-harness-training），内容包括（但不限于）： - 使用此训练框架提升多个任务LLM的通用能力，从而击败Terminal Bench 2.0（Terminus训练框架）的结果，以及将在未见任务环境中的学习迁移到更好的任务解决能力（例如，在SWE-Bench任务上训练的训练框架能够解决Terminal Bench任务）。 - 该框架的构建方式。 - 关于项目初始版本中缺失的部分（提示：确定性）的经验总结。 欢迎任何反馈。谢谢！