agent-improvement

研究人员使用 DeepSeek V4 Flash 和 StateM 在 Terminal-Bench 2.1 上达到了 95.3% 的准确率，匹配了 GPT-5.6 Sol Max 的性能，并探索了超越模型扩展的智能体改进。

提出了Life-Harness，一种通过适配运行时接口而非模型权重来改进冻结的LLM智能体的方法，在126个设置和18个backbones中实现了平均88.5%的相对改进。