谷歌开源Harness2自改进代理框架

谷歌自身报告中最引人注目的细节是Harness2内部实际负责思考的是谁。被改进的执行代理运行在Gemini 3.5 Flash和GLM-5上，但在谷歌基准测试中，提出并组合每一次架构修改的编辑模型却是由直接竞争对手Anthropic开发的Claude Opus 4.8 ^[6]。换句话说，谷歌旗舰级的自改进框架在其公布的实验中，依赖竞争对手实验室的模型来生成实际改进。这悄然承认了一个事实：编辑步骤——即决定系统提示、防护规则或技能下一步应如何表述——是一种独特且显然困难的能力，而谷歌在关键时刻并未选择使用自家模型。

核心数据传递出明确信息：更智能的架构可以击败更强的模型。在WorkBuddy-Bench上，GLM-5的得分从64.2跃升至75.7，单步提升11.5分 ^[4][5]，而Gemini 3.5 Flash仅提升了5.1分，从72.4升至77.5 ^[4]。关键在于，GLM-5经优化架构后的75.7分超过了Gemini 3.5 Flash原始架构的72.4分 ^[4][5]——一个更便宜、开源权重的模型仅因操作环境调优得当，便超越了谷歌自家模型。类似单步提升也出现在JobBench上，横跨35个职业的130项任务中最高提升达4.5分 ^[1][3]；在Harvey的LAB法律基准测试中最高提升达11.8分，GLM-5的部分通过率从59.6%升至71.4% ^[1][5]。将递归深度推进至k=5后，这些单步提升进一步增加：WorkBuddy-Bench上增加3.9分，JobBench上增加4.2分，LAB上增加6.7分 ^[1][5]。

独立安全分析指出Harness2默认发布方式存在结构性问题：执行代理的网络访问不受限制，且Codex执行代理默认在沙箱禁用状态下运行 ^[7]。这种担忧并非抽象——若代理能访问自身的评分标准，就可能学会操纵分数而非真正改进；而拥有开放出口且无沙箱的执行代理则同时成为数据泄露和SSRF攻击面 ^[7]。叠加其真实的计算成本：k=1时每改进步约需四次代理执行，k=5时升至约二十次，但未公布每项任务的美元成本 ^[8]。综上，该框架的增益伴随着未量化的运营成本和治理缺口，而项目自身文档并未解决这些问题。

谷歌明确将Harness2定位为研究项目而非支持产品 ^[2][3]，这一免责声明影响了外界对其的接受方式。不同受众反应各异：社交媒体上的积极情绪将Apache 2.0发布和两位数基准提升视为直接的可信信号；而技术社区的回应则明显更为审慎，争论递归编辑方法相较于先前自改进架构工作是否真正新颖，并对反复编辑在基准任务之外的泛化能力提出过拟合担忧。这种分歧——对开源发布本身的兴奋与对所宣称进步实质的怀疑并存——很可能决定外部团队是迅速采用该框架，还是仅观望其在独立测试中的表现。