論文の概要: Latent Harness: Compiling Agent Behaviors into Post-Block Activation Shifts
- arxiv url: http://arxiv.org/abs/2611.01415v1
- Date: Sun, 01 Nov 2026 01:52:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 23:36:30.47332
- Title: Latent Harness: Compiling Agent Behaviors into Post-Block Activation Shifts
- Title（参考訳）: 潜時的ハーネス: エージェントの動作をポストブロック活性化シフトにコンパイルする
- Abstract要約: ラテント・ハーネスは、外部条件をランク8の活性化シフトに蒸留する。
コンパイルされたバンドルは、ハーネステキストを含まず、トークンを追加しない。
コンパイルされた動作は、10の事前登録設定のうち8つのソースハーネスゲインを回復する。
- 参考スコア（独自算出の注目度）: 19.773624804147836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Harness engineering and self-evolving agents improve language-model agents quickly, yet their gains live outside the model. The harness is re-sent and re-paid on every call, and the standard route to internalization is a weight update that is costly to iterate and fixed once merged. We propose compiling the harness instead. Latent Harness distills an external condition into a rank-8 activation shift. The shift is applied at the output of every decoder block of a frozen backbone, at 0.03-0.05% of parameters. The condition is either an explicit process-level behavior instruction or the behavioral contract of an agentic harness. At inference the compiled bundle carries no harness text and adds no tokens. It exposes three runtime controls for injection strength, injection phase, and shift-space mixing. Compiled behaviors recover the source-harness gain in 8 of 10 preregistered settings. Where the explicit source pays the heaviest per-call token tax, the compiled form exceeds it. The same bundles transfer zero-shot across tasks (5 of 7 pairs positive) and compose in shift space, while stacked text instructions interfere destructively. Used as a search space, they lift budget-matched harness search by 1.45 times. On three agentic benchmarks the operator aligns policy to the harness con- tract. Under matched data, capacity, and effective strength it outperforms same-capacity LoRA, which needs 11.1 times the parameters to reach the same band, and it regresses nothing where the base policy is already strong. Across 1B-to-8B models the method skeleton is invariant while gain locations move with the model-task pair, which delimits where compiled harnesses should be deployed.
- Abstract（参考訳）: ハーネスエンジニアリングと自己進化エージェントは、言語モデルエージェントを迅速に改善するが、その利益はモデルの外にある。
ハーネスはすべての呼び出しで再発行され、内部化への標準的なルートは重み付けであり、一度マージした時に繰り返し固定するのにコストがかかる。
代わりにハーネスのコンパイルを提案します。
ラテント・ハーネスは、外部条件をランク8の活性化シフトに蒸留する。
このシフトは、凍結したバックボーンの各デコーダブロックの出力に0.03-0.05%のパラメータで適用される。
この条件は明示的なプロセスレベルの動作指示またはエージェントハーネスの動作契約である。
推測すると、コンパイルされたバンドルはハーネステキストを含まず、トークンを追加しない。
インジェクション強度、インジェクションフェーズ、シフトスペースミキシングの3つのランタイムコントロールを公開する。
コンパイルされた動作は、10の事前登録設定のうち8つのソースハーネスゲインを回復する。
明示的なソースが最も高いコール単位のトークン税を支払う場合、コンパイルされたフォームはそれを超える。
同じバンドルはタスク(7対のうち5対)をゼロショットで転送し、シフト空間を構成するが、スタックされたテキスト命令は破壊的に干渉する。
検索スペースとして使用され、予算に適合したハーネス検索を1.45倍に引き上げる。
3つのエージェントベンチマークでは、オペレータがポリシーをハーネスコントラクションに整列する。
一致したデータ、キャパシティ、有効強度の下では、同じバンドに到達するのに11.1倍のパラメータを必要とする同じ容量のLoRAよりも優れており、基本方針がすでに強い場所では、何の役にも立たない。
1B-to-8Bモデル全体で、メソッドスケルトンは不変であり、モデルとタスクのペアで位置を移動させる。
関連論文リスト
- Your Policy Is Secretly a Harness: The Decision Geometry of Agent Interfaces [11.539708466125639]
我々は、ポリシーがハーネスから何を学ぶのか、ハーネスが変わったときに何が生き残るのかを尋ねる。
最適ポリシーのログの確率は、そのハーネスが他よりもそれぞれのアクションを強く好んでいることを示す。
MiniWoB++では、ポストトレーニングはモデルの好みをトレーニングハーネスに特化させる。
論文 参考訳（メタデータ） (2026-10-27T13:52:25Z) - Self-Evolving Coding Agents via Harness-Policy Optimization [59.77935668723671]
Self-HPOは、ハーネスとポリシー最適化を代替するコーディングエージェントのための自己改善フレームワークである。
3つのコーディングベンチマークで、Self-HPOはハーネスのみとポリシーのみのベースラインを一貫して上回っている。
Self-HPOはまた、信頼性(Pass@1)を改善し、ベースエージェント上の機能フロンティア(Pass@k)を拡張する。
論文 参考訳（メタデータ） (2026-10-16T01:07:52Z) - CoTrace: Data Recipes for Training Terminal Agents with Harness-Model Co-Evolution [68.76788820731048]
CoTraceは、トラジェクトリルーティング、プロファイランスマッチング、リフレッシュを管理するハーネス対応のデータレシピである。
コンパクトなハーネス整合コーパスは、兄弟ハーネスにまたがるより大きなコーパスよりも、かなり低い計算で安定したモデルゲインを生成することを示す。
論文 参考訳（メタデータ） (2026-10-07T17:06:59Z) - Harness-Zero: Harness Distillation via Agent-as-Harness [25.405498734061165]
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。
論文 参考訳（メタデータ） (2026-09-21T17:55:20Z) - What Does Multi-Harness RL Learn? Credit Assignment and Portability in Coding Agents [9.375226195738966]
我々は、Aider、OpenHands、Qwen Code、SWE-agentからタスクハーネスレコードを再生する。
私たちは4つのソースハーネスと最小限のハーネスで、封印されたSWEベンチ検証オラクルで全てのチェックポイントをスコア付けします。
ホールドアウトハーネスでは、クロスマイナスは+0.25 pp, 95%信頼区間 [-0.48, +1.02] で、タスクごとに8回の試験を行い、+0.16 [-0.41, +0.72] は3つの訓練種子にプールされた。
論文 参考訳（メタデータ） (2026-09-03T22:17:02Z) - WHALE: A Simple Recipe for Joint Harness-Weight Optimization [48.550149284101536]
WHALE(Weight-Harness Alternating LEarning)は、2つのフェーズを切り替えるレシピである。
3つの領域にわたるQwen3.5-2B/4Bエージェント(質問応答、数学的推論、チェスパズル)を使用して、WHALEは重量のみ、ハーネスのみ、Fast-Slow Trainingの4.15-24.38ポイントを最高の平均@8の精度で上回る。
論文 参考訳（メタデータ） (2026-08-31T18:12:55Z) - 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。