字节Seed发布HarnessDev基准：LLM自建智能体框架仅半数改进可泛化
原文标题：Can LLMs Engineer Their Own Agent Harness? ByteDance Seed’s HarnessDev Says Only 34 of 64 Changes Generalize
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
字节Seed联合SUTD、佐治亚理工等推出HarnessDev基准，评估模型自建的智能体运行框架而非最终答案。6个模型在5个基准、2207个任务上从零分种子出发构建并迭代框架，自建框架在写作和ML实验上追平人类参考，但在代码与搜索上落后，且64项演化改动中仅34项在留出任务上方向一致。
- 问题
- 模型自建智能体框架的能力缺乏评估，只看最终答案无法判断框架本身是否可复用。
- 方法
- 从零分种子出发，让6个模型在5个基准、2207个任务上构建并依据执行反馈迭代框架，直接对可运行harness打分。
- 结果
- 自建框架在写作与ML实验追平人类参考，代码与搜索落后；64项演化改动仅34项在留出任务上方向一致。
- 影响
- 自建智能体框架的改进约半数不可泛化，团队不能把单任务调优当作通用能力提升。
机构：ByteDance Seed、SUTD、Georgia Tech、M-A-P、TokenWave.AI
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。