Meta、杜克大学和加州大学戴维斯分校的研究人员提出了一种让AI智能体变得更强的新方法：不改动底层模型，而是改进模型周围的脚手架，用多个自我改进的团队取代单一团队。

在一篇题为《Mixture of Self-Improving Branches for Agent Harness Optimization》的预印本论文中，研究人员报告了在奥赛级数学推理上34.8%的相对提升，使用Gemini 3 Flash模型将准确率从46.0%提高到62.0%——而这一切都无需重新训练模型本身。

什么是Harness，为什么它很重要

更正式地说，智能体Harness是包裹在大语言模型外部的代码框架。它决定了模型接收的提示词、可以调用的工具、能够看到的上下文，以及其动作的执行方式。

由于这层脚手架是代码而非模型权重，因此无需重新训练即可修改——这正是这项工作所利用的杠杆。Harness优化就是自动搜索该包装层更优版本的实践。这篇新论文于2026年9月29日以arXiv:2609.37834v1发布，直接建立在一个名为Meta-Harness的早期系统之上。

分支方法如何运作

Meta-Harness于2026年3月30日发布，此前已在多个基准测试中超越传统方法。这项新工作认为，单一搜索路径会浪费潜在的性能。

因此，研究人员将搜索拆分为多个专门化的分支。每个分支独立演化，使用各自不同的开发数据子集，并采用各自提出变更的策略。

各分支还会从自身历史中学习。每个分支会保留它胜过其他分支的案例，并根据早期尝试的表现来改进其策略。

由此引出一个显而易见的问题：谁来挑选专家？答案是一个路由器。在部署时，路由器为每个输入选择最佳的分支头。

整个过程仅在开发集数据上运行。据作者报告，这些互补的Harness在完全未接触测试集的情况下实现了上述收益。

基准测试结果

最亮眼的结果出现在奥赛级数学推理上。使用Gemini 3 Flash，准确率从46.0%攀升至62.0%，作者将其表述为34.8%的相对提升。

性能提升也延伸到了智能体任务。在测试智能体于命令行环境中工作的Terminal-Bench 2.0上，该系统取得了11.6%的提升。在软件工程基准SWE-bench Lite上则显示出3.8%的增长。

这三项评估共同覆盖了数学推理、命令行智能体任务和软件工程，因此所报告的性能提升并不局限于单一任务类型。

研究背后的团队

作者名单包括隶属于Meta和杜克大学的Haoyu Dong，以及隶属于Meta加州大学戴维斯分校的Zihao Lin。Lizhu Zhang和Zhuokai Zhao被列为共同末位作者。

该论文是一篇发布在arXiv上的预印本，这意味着它已公开分享，但不一定通过了正式的同行评审。

这意味着什么

在不触碰模型权重的情况下，在困难数学题上将准确率从46.0%跃升至62.0%，这表明有意义的改进可以来自对模型运行环境的工程设计。对于在大语言模型之上构建产品的团队而言，这把Harness本身定位为一个可优化的对象——它可以与模型发布同步推进，而不必等待模型更新。

还有一些值得关注的开放性问题。运行和维护多个不断演化的分支以及一个路由器可能会增加复杂性，而且论文的结果来自特定基准和特定模型。该方法能否通过同行评审、能否在独立测试中站住脚、能否推广到Gemini 3 Flash之外，都是需要跟踪的自然检查点。

Meta-Harness于2026年3月问世时就已经超越了传统方法。大约六个月后，其继任者宣称要击败Meta-Harness本身。