JHU 与 CMU 论文：4B 小模型可自动改写 Agent harness 代码并泛化到新任务

Johns Hopkins 与 Carnegie Mellon University 的论文提出让小模型根据失败报告自动改写 agent 的 harness 代码。harness 是决定模型看到什么内容、调用哪些工具的代码，编辑模型读取 harness 和失败信息后生成代码修改，并以新 harness 的得分作为奖励。在 21 个未见过的推理任务类型上，4B 编辑模型的平均修改得分从 0.32 升到 0.62，超过其 35B 教师。另一个在 HotpotQA 上训练的编辑模型还能在 2 个其他 QA 基准上持续改进 harness，实验显示多轮重复修改优于单次修改。