一个策略在原始执行系统里跑不通的任务,换一套“兄弟”执行器就能救回来。Harness-S 盯上的正是这些被救回来的轨迹——它要验证的是,这些轨迹里学到的东西,能不能在策略回到原始执行系统 H0 之后依然管用。
这套方法在 AppWorld、SWE-Gym 和 DBBench 三个基准上训练一个共享策略。它的核心主张并不复杂:救回来的轨迹可以教会策略一些行为,而这些行为在策略回到基础执行器 H0 时仍然有用。换句话说,目标是把能力迁移进策略本身,而不是造一个永远更强的执行器。
设计起点是三个被观察到的性质:
- 对执行器的修改,影响是局部的;
- 不同的变体之间可以互相补位;
- 这些变体的有用程度,会随着策略的学习而变化。
这里藏着一个麻烦。针对某一类失败做的修复,可能让已经解决的任务重新退化;而另一个兄弟变体,恰好能把这类错误捞回来。Harness-S 因此选择把专用变体分开保留,而不是把每一处修复都塞进同一个通用执行设计里。
论文报告称,在 H0 下评估时,Harness-S 明显优于只训练策略的做法,覆盖三个基准和两种策略规模:Qwen3.5-4B 与 Qwen3.5-9B。它同时报告了在相同执行器 rollout 次数下,Rank-1 推理路由带来的增益。
至于具体涨了多少分,主结果表里的数值没有出现在论文文本中,确切的基准提升幅度无法在这里给出。
热门跟贴