HarnessBandit：多Harness智能体强化学习的可学习性-可迁移性调度
原文标题：HarnessBandit: Joint Learnability-Transferability Scheduling for Multi-Harness Agentic Reinforcement Learning
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。
针对语言模型智能体在不同harness（系统提示、工具模式、控制循环）下表现不均的问题，论文提出HarnessBandit在线调度器，每个优化步选择一个harness。它在GRPO更新后观测可学习性（批次平均绝对优势）与可迁移性（梯度草图余弦相似度），融合后带访问奖励与探索下限采样。在Qwen3.5-2B上跨六个harness训练，于PinchBench与ClawEval上优于混合批次多harness训练。
- 问题
- 同一模型在不同 harness（提示、工具模式、控制循环）下表现不均，多 harness 训练存在调度难题。
- 方法
- HarnessBandit 每步选一个 harness，融合可学习性与梯度草图可迁移性信号，带访问奖励和探索下限采样。
- 结果
- 在 PinchBench 与 ClawEval 上优于混合批次多 harness 训练
- 影响
- 为智能体跨接口鲁棒性提供可落地的训练调度器，减少 harness 适配成本。
深读 · 结论先行AI 生成展开看要点与影响 ↓
HarnessBandit 每步只选一个 harness 训练，在 PinchBench 与 ClawEval 上优于混合批次多 harness 训练。
- •问题设定：同一模型在系统提示、工具模式、控制循环不同的 harness 下表现不均。
- •调度信号为可学习性（批次平均绝对优势）与可迁移性（梯度草图与其余 harness 指数移动平均的余弦）。
- •两信号经池化滑动窗口 min-max 归一化后融合，采样带访问奖励与显式探索下限。
- •在 Qwen3.5-2B 上跨六个 harness 于 ClawGym 训练，两个基准均优于混合批次训练。
为什么重要：智能体要适配多种部署接口，逐 harness 调度比混批训练更有效，对做 agent 强化学习训练的团队是低成本改动。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
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。