谷歌开源Harness²：大模型运行中自改外挂，GLM-5反超Gemini

谷歌开源了名为Harness²的新成果，让大模型在运行中自行修改外挂代码、系统提示词、工具链和技能库，即Harness层的递归自我改进（RSI）。GLM-5接入后，在办公基准WorkBuddy-Bench上综合得分飙升11.5分，反超原生Gemini 3.5 Flash。整个过程无需修改模型权重，只需优化外围运行脚手架。项目已全面开源，支持OpenCode与Codex。

过去RSI在真实开放世界中常失败，主要卡在两点：一是没有标准答案，AI改完提示词无法判断是否变好；二是过度拟合单次任务，改完的脚手架套用到新任务反而成为累赘，陷入噪声螺旋。

Harness²采用双层递归架构应对。第一层任务级递归：先用初始脚手架跑出参考轨迹，再通过Propose–Probe–Compose机制，由编辑角色提出通用缺陷修补和领域专属修补两套方案，放回同一任务分别运行，对比行为轨迹，筛选真正有效的改动合成进脚手架；支持并行扩展，一次生成k组候选并发探测。第二层改进级递归：任务完成后，反思模块复盘调试记录，写入EXPERIENCE.md并存入持续改进经验库；下一个新任务仍使用干净的基础脚手架，但改进大脑可检索历史经验，把单次修补变为终身学习资产。

团队在WorkBuddy-Bench、JobBench、LAB三个基准上测试，底座模型为Gemini 3.5 Flash和GLM-5，脚手架为OpenCode和Codex。单步改进（k=1）下，GLM-5在OpenCode上从64.2升至75.7，在Codex上从64.4升至75.3；Gemini 3.5 Flash在OpenCode上从72.4升至77.5，在Codex上从74.5升至77.5。优化后的GLM-5反超原版Gemini 3.5 Flash。JobBench上Gemini 3.5 Flash涨4.5分、GLM-5涨3.6分；LAB上GLM-5部分通过率提高11.8个百分点。k=5时性能进一步提升：WorkBuddy-Bench最高再涨3.9分，JobBench再涨4.2分，LAB通过率再涨6.7个百分点。跨领域迁移测试中，将JobBench经验库迁移至WorkBuddy-Bench，代码、网页、办公三项分别再提高0.6、0.5和2.9分。

文章认为，基座模型Scaling边际效益放缓，长尾问题无法靠预训练参数解决，需要运行中自我感知、自我修补的Runtime认知工程。Harness²证明可将规则制定权交还Agent自身。论文共9位作者，华人占比78%。一作兼通讯作者Ruiyao Xu为美国西北大学统计与数据科学系博士生，该工作为其在谷歌实习期间完成；Yanfei Chen为Google Cloud AI Research资深研究工程师；Zhongying CuiZhu为Google Cloud AI Research研究工程师。