Google 论文提出 RRSI：防止智能体 harness 自动进化过拟合基准

Google 的论文研究智能体 harness 自动进化中的过拟合问题：Meta-Harness 在 Harvey LAB evolve split 上达到 93.0，但在 JobBench、GDPval 和 APEX-Agents 三个分布外基准上仅提升 0.3 到 1.5 分。RRSI 在提议者侧加入随时间收缩的编辑预算，在评估侧用 critic 拒绝基准特定编辑、pruner 清理代价过高或无用的编辑。RRSI 在 evolve split 上得 90.5，但在三个 held-out 基准上提升 3.5 到 4.7 分，同时把每轮 token 消耗从 3.80M 降到 2.42M。配合 Gemini 3.5 Flash，RRSI 将 Terminal-Bench 2.1 成绩从 64.6 提到 78.7，并将 2.2 分的提升迁移到 SWE-bench Verified。