Meta、杜克大學與加州大學戴維斯分校（University of California, Davis）的研究人員提出一種讓 AI 代理變得更好的新方法：不動底層模型，而是改進圍繞它的支架，使用多個自我改進的團隊，而非單一團隊。

在題為「Mixture of Self-Improving Branches for Agent Harness Optimization」的預印本中，研究人員報告在奧林匹亞級數學推理上取得 34.8% 的相對改進，使用 Gemini 3 Flash 模型將準確率從 46.0% 提升至 62.0%——全程未重新訓練模型本身。

什麼是 Harness，為何重要

更具體地說，代理 harness 是圍繞大型語言模型的程式碼框架。它決定模型接收的提示、可以呼叫的工具、能看到上下文內容，以及其行動如何被執行。

由於這層支架是程式碼而非模型權重，因此無需重新執行訓練即可修改——這正是這一系列研究所運用的槓桿。Harness 最佳化是指自動搜尋該封裝更好版本的實踐。這篇於 2026 年 9 月 29 日以 arXiv:2609.37834v1 發表的新論文，直接建立在一個名為 Meta-Harness 的早期系統之上。

分支方法的運作方式

Meta-Harness 於 2026 年 3 月 30 日發布，此前已在多項基準測試中超越傳統方法。這項新研究認為，單一搜尋路徑會讓效能有所保留。

因此，研究人員將搜尋拆分為多個專門化的分支。每個分支獨立演進，使用不同的開發資料子集，並套用各自提出變更的策略。

這些分支也會從自身的歷史中學習。每個分支會保留它勝過其他兄弟分支的案例，並根據較早嘗試的表現來改進自身策略。

這引出一個顯而易見的問題：誰來挑選專家？答案是路由器。在部署時，路由器會為每個輸入選擇最佳的分支頭。

整個過程僅在開發集資料上執行。據作者所述，這些互補的 harness 在未存取測試集的情況下取得了上述成果。

基準測試數據

最亮眼的結果出現在奧林匹亞級數學推理上。使用 Gemini 3 Flash 時，準確率從 46.0% 攀升至 62.0%，作者將此形容為 34.8% 的相對改進。

這些成果也至代理式任務。在測試代理於命令列環境中工作的 Terminal-Bench 2.0 上，系統取得 11.6% 的提升。軟體工程基準 SWE-bench Lite 則顯示 3.8% 的增加。

綜合來看，這三項評估涵蓋數學推理、命令列代理工作與軟體工程，因此報告的成果並不侷限於單一任務類型。

研究團隊

作者名單包括隸屬 Meta 與杜克大學的 Haoyu Dong，以及隸屬 Meta 與加州大學戴維斯分校的 Zihao Lin。Lizhu Zhang 與 Zhuokai Zhao 列為共同末位作者。

這篇論文是發布在 arXiv 上的預印本，這代表它已公開分享，但不一定已通過正式的同儕審查。

這代表什麼

在困難的數學題上，從 46.0% 躍升至 62.0%，且完全未更動模型權重，這顯示透過工程手段改造模型所處的環境，可以帶來實質的改進。對於在大型語言模型之上構建應用的團隊而言，這將 harness 本身定位為可最佳化的產物——它能與模型發布同步演進，而不必等待模型更新。

仍有值得關注的未解問題。執行與維護多個演進中的分支加上路由器，可能會增加複雜性，而且論文的結果來自特定的基準測試與特定模型。這種方法能否通過同儕審查、在獨立測試中站得住腳，以及能否推廣到 Gemini 3 Flash 之外的模型，都是值得追蹤的自然檢核點。

Meta-Harness 於 2026 年 3 月問世，當時已超越傳統方法。約六個月後，其後繼者宣稱超越了 Meta-Harness 本身。