論文の概要: Harness-Zero: Harness Distillation via Agent-as-Harness
- arxiv url: http://arxiv.org/abs/2609.24974v1
- Date: Mon, 21 Sep 2026 17:55:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.455336
- Title: Harness-Zero: Harness Distillation via Agent-as-Harness
- Title（参考訳）: ハーネスゼロ:エージェント・アズ・ハーネスによるハーネス蒸留
- Abstract要約: Harness-Zeroは、エージェント・アズ・ハーネスによる蒸留を可能にする。
結果として生じる軌道の微調整は、ハーネスによって引き起こされる振る舞いをモデルに内在させる。
- 参考スコア（独自算出の注目度）: 25.405498734061165
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agent harnesses, the external systems that mediate model-environment interaction, can substantially improve agent performance, but their gains remain tied to the harness at deployment. Because the best harness varies across domains, instances, and models, a general-purpose agent must either settle for a suboptimal shared harness or route among an ever-growing set of specialized ones. We therefore study agent harness distillation: using a domain- or instance-optimized harness as training-time guidance and transferring the behaviors it induces into model weights, so that its gains survive under a single fixed target harness. The challenge is that the two harnesses differ in action space and available information, so guidance from the optimized harness cannot serve directly as supervision for the target one. We introduce Harness-Zero, which enables harness distillation through agent-as-harness. Guided by the optimized harness, a harnessing agent corrects student responses before execution in the target harness's action space, turning harness guidance into training demonstrations. Fine-tuning on the resulting trajectories internalizes harness-induced behavior into the model, so the specialized harness can be removed at deployment. Our experiments spanning knowledge work, tool use, and science domains show that: (1) For frontier LLMs using the same evolved harness, agent-as-harness outperforms code-as-harness. (2) With the specialized harness removed at deployment, Harness-Zero improves the base model's macro-average task success from 23.3% to 44.3%, even exceeding the 41.7% it reaches with that harness still attached. (3) Harness-Zero recovers harness-induced behaviors absent from the base model, with 82.3% average recovery across 28 patterns in the three domains.
- Abstract（参考訳）: モデル-環境相互作用を仲介する外部システムであるエージェントハーネスは、エージェントのパフォーマンスを大幅に改善するが、その利益はデプロイメント時のハーネスと結びついている。
最高のハーネスはドメイン、インスタンス、モデルによって異なるため、汎用エージェントは、最適な共有ハーネスや、成長を続ける専門的なハーネスのセットのルートに落ち着かなければならない。
そこで本研究では, ドメイン最適化ハーネスをトレーニング時間指導として使用し, モデルウェイトに誘導する挙動を伝達することにより, そのゲインを固定目標ハーネス下で維持する。
課題は、2つのハーネスが動作空間と利用可能な情報が異なるため、最適化されたハーネスからのガイダンスは、ターゲットのハーネスの監督として直接機能することができないことである。
本稿ではハーネス・ゼロについて紹介する。
最適化されたハーネスによってガイドされたハーネスエージェントは、目標ハーネスのアクションスペースで実行する前に生徒の反応を補正し、ハーネスガイダンスをトレーニングデモに変換する。
結果として生じる軌道の微調整は、ハーネスによって引き起こされる振る舞いをモデルに内在させるため、特別なハーネスを配置時に取り除くことができる。
1)同じ進化したハーネスを用いたフロンティアLSMでは、エージェント・アズ・ハーネスはコード・アズ・ハーネスよりも優れています。
2) 配備時に特殊ハーネスが取り除かれたことにより、ハーネス・ゼロはベースモデルのマクロ平均タスクの成功率を23.3%から44.3%に改善し、まだ搭載されているハーネスの41.7%を超えている。
(3)Harness-Zeroは、ベースモデルにないハーネスによる振る舞いを回復し、3つのドメインの28パターンの平均リカバリは82.3%である。
関連論文リスト
- Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails [23.287109132562403]
自動化されたハーネス進化により、より小さなモデルは、フロンティアモデルコストのごく一部で、ドメイン固有のタスクでうまく機能することができる。
模倣は知識を伝達し,足場の使用量を増加させるが,モデルハーネスの適合性を阻害することを示す。
我々は、メタレベルのMLEエージェントによって自動化され、弱いモデル自身のロールアウトにおいて失敗するターンをローカライズし、専門家にそのターンのみを書き直すよう依頼する、オンデマンドの専門家補正パイプラインを開発する。
論文 参考訳（メタデータ） (2026-09-08T17:53:49Z) - EVOHARNESSBENCH: Can Your Agents Keep Pace with an Evolving Harness? [83.21711423118768]
EVOHARNESSBENCHは、制御されたハーネス進化下でエージェントを評価するためのベンチマークである。
検証器ベースのベンチマークから決定的に構築された17のマルチステージハーネスストリームを含んでいる。
論文 参考訳（メタデータ） (2026-09-03T03:24:02Z) - HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness? [61.02699867449589]
評価単位をタスク出力から実行インフラストラクチャにシフトするベンチマークであるHarnessDevを紹介します。
Creationでは、エージェントは最小限のシードと少数のケースから始まり、完全な実行システムを構築する。
Evolutionでは、独自のハーネスから始まり、ベンチマークのパフォーマンス向上を目標として、下流の実行フィードバックを使用して反復的に修正する。
論文 参考訳（メタデータ） (2026-09-01T15:45:33Z) - HarnessRisk: A Lifecycle-Oriented Benchmark for Agent Harness Safety [45.163264704448125]
エージェントの安全性を6つの運用フェーズにまとめるライフサイクル指向ベンチマークを提案する。
実用性, 攻撃成功率, 永続性, 検出性を用いて各軌道の評価を行った。
明示的なリスク認識は、90%以上の実行中のリスクを検出する構成であるため、安全行動に確実に結びつくものではないことが分かっています。
論文 参考訳（メタデータ） (2026-08-18T10:03:58Z) - HarnessX: A Composable, Adaptive, and Evolvable Agent Harness Foundry [35.87794858139959]
HarnessXは、構成可能、適応可能、進化可能なエージェントハーネス用のファウンダリーである。
型付きハーネスプリミティブを置換代数学で組み立て、AIGISを介して適応する。
軌道をハーネス更新とモデルトレーニング信号の両方に変換することでハーネスモデルループを閉じる。
論文 参考訳（メタデータ） (2026-06-12T08:27:11Z) - Self-Harness: Harnesses That Improve Themselves [30.839060071524433]
Self-Harnessは、LLMベースのエージェントが、人間のエンジニアや強力な外部エージェントに頼ることなく、自身の運用ハーネスを改善する新しいパラダイムである。
我々は,最小限の初期ハーネスと多様な家系の3つの基本モデルを用いて,ターミナルベンチ2.0上の自己調和をインスタンス化する。
論文 参考訳（メタデータ） (2026-06-08T13:50:23Z) - Harness Updating Is Not Harness Benefit: Disentangling Evolution Capabilities in Self-Evolving LLM Agents [82.27610290890475]
i) ハーネス更新、(i) 実行証拠から有用な永続的ハーネス更新を生成する能力、(ii) ハーネスベネフィット、タスク解決時に更新されたハーネスの恩恵を受ける能力の2つのハーネス自己進化能力を分析した。
まず、ハーネス更新は基本能力において平坦である:異なる能力階層のモデルがハーネス更新を生成し、驚くほど類似したゲインをもたらす。
第二に、ハーネスベネフィットは基本能力において単調ではない:弱い層モデルは更新されたハーネスからほとんど恩恵を受けず、中層モデルは最も恩恵を受け、強い層モデルは中層より利益が低い。
論文 参考訳（メタデータ） (2026-05-28T22:16:14Z) - Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses [57.20181537213498]
Agentic Harness Engineering (AHE)は、ハーネスエンジニアリングを自動化するクローズドループである。
AHEは3つの一致した可観測性柱を通じて課題に対処する。
10 AHE lift pass@1 on Terminal-Bench 2 from 69.7% to 77.0%。
SWE-bench-verifiedでは、種子よりも12%少ないトークンで合計成功率を上回り、ターミナルベンチ2では+5.1から+10.1ppのクロスファミリーゲインを得る。
論文 参考訳（メタデータ） (2026-04-28T16:55:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。