★ 3HarnessBandit：多Harness智能体强化学习的可学习性-可迁移性调度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.…arXiv cs.LG48 天前