4.26-5.3｜本周 AI 论文精选
输入“/”快速插入内容
4.26-5.3｜本周 AI 论文精选
4.26-5.3｜本周 AI 论文精选
用户4242用户42425月6日修改
1. Agentic Harness Engineering
大多数 coding agent 的 harness 现在仍然靠人工调参，或者靠脆弱的反复试错式自进化勉强维持。本文提出了 Agentic Harness Engineering（AHE），一个让 harness 演化过程变得可观测、可证伪的框架。AHE 将系统拆成三层：以可回滚文件形式保存的组件层、从数百万条轨迹 token 中压缩出的结构化证据层，以及写成预测并接受任务结果检验的决策层。这样一来，每一次修改都会变成一份可以验证、也可以撤销的契约。
•
三层演化模型：组件、经验和决策都被视为一级工件。组件是带版本的文件，经验是从完整轨迹日志中压缩出的证据，决策则是附带预期结果的显式假设。这种结构把原本像黑盒一样的 harness 调优，变成了可审计的工程闭环。
•
Terminal-Bench 2 上的 Pass@1 提升：Pass@1 在 10 轮迭代中从 69.7% 提升到 77.0%，超过人工设计的 Codex-CLI（71.9%）以及 ACE、TF-GRPO 等自进化基线。在 SWE-bench-verified 上，该框架还比初始 harness 少用了 12% 的 token。
•
跨模型迁移能力：演化后的 harness 在不同模型家族上仍能迁移，带来 +5.1 到 +10.1 个点的提升，这说明这些优化更偏结构性，而不是对某个特定底座模型过拟合。这正是 harness engineering 真正想要的属性。
•
为什么重要：在大多数 agent 系统中，harness 工作才是最大的隐性成本。AHE 是第一套可信的方案，让 harness 可以在不滑向噪音的前提下自我改进，因此它是本周最重要的 agent 系统论文。
2. AgenticQwen-30B-A3B
阿里巴巴展示了一个仅有 30B 参数、但推理时只激活 3B 参数的 MoE 模型，可以在真实工具使用任务上追平 Qwen3-235B。AgenticQwen-30B-A3B 在 TAU-2 和 BFCL-V4 Multi-Turn 上取得了 50.2 的平均分，而 AgenticQwen-8B 为 47.4。两者都比原始 Qwen 基线高出一倍以上，并且弥合了与 235B 模型之间的大部分差距。其核心做法是并行运转两个强化学习飞轮，其中模拟用户会主动误导 agent。
•
从自我失败中提炼的推理飞轮：第一个闭环会挖掘模型自己的错误，并在每一轮把这些错误转化为更难的推理问题。随着模型变强，训练分布也会自动变难，因此不再需要新增人工整理的推理数据。
•
面向工具使用的 agent 飞轮：第二个闭环会把简单的线性工具使用轨迹扩展成多分支行为树。模拟用户会测试模型在误导性指令、目标模糊和工具调用失败时的恢复能力，而这些恰恰是普通监督微调最容易失效的地方。
•
面向生产 agent 的真实效率：一个 30B 的 MoE 模型在推理时只激活 3B 参数，其服务成本明显低于 235B 的稠密模型或同级别 MoE 替代方案。对于工具使用型 agent 团队来说，这类效率优势足以改变部署决策。
3. Agentic World Modeling
这篇由 40 位作者共同完成的大型综述，给出了迄今为止 agent 研究里最清晰的 world model 分类体系。论文提出了一个“按规律分层级”的框架，涵盖三种能力层级与四类规律体系，并综合梳理了 400 多篇工作与 100 多个代表性系统，覆盖基于模型的强化学习、视频生成、网页与 GUI agent、多 agent 仿真以及科学发现。随着 agent 从聊天机器人走向任务完成者，瓶颈正从语言转向环境，而这篇论文第一次为原本彼此割裂的研究群体提供了共享词汇。
•
三个能力层级：L1 Predictor 处理单步状态转移，L2 Simulator 负责多步、受动作条件约束的 rollout，L3 Evolver 则会随着世界变化而自我修正。这个层级结构让我们更容易定位现有系统，也更容易看清真正的能力缺口在哪里。
•
四类规律体系：物理规律、数字规律、社会规律和科学规律，会分别对 world model 提出不同约束。该框架将它们视为正交维度，因此也解释了为什么一个强大的物理模拟器，依然可能在社会或数字任务上失效。
•
以失败模式为核心的视角：论文不是只按应用场景来归类，而是强调不同 world model 会在哪些地方失败。对于构建 agent 的人来说，这种视角比“它能做什么”更有价值，因为它更贴近系统设计决策。
4. RecursiveMAS