Xudong Han(@Xudong07452910):很多时候，小模型缺的可能就是一套能把能力稳定调出来的 Harness。这篇《AI4AI at Test-Time》研究了一个很有意思的问题：能不能让更强的模型，直接给弱模型设计一套更好的工作方式？作者让 GPT-5.5、Claude Opus、Gemini 等强模型自动修改 Harness，包括 Prompt、任务路由、验证规则和确定性代码。整个过程不更新目标模型的权重。结果 GPT-5.4-mini 原始平均准确率只有 48.8%，加入自动设计的 Harness 后最高达到 91.2%，甚至超过了裸跑的 GPT-5.4。而且效果好的 Harness 往往会把一些容易出错的推理交给代码和规则处理，让模型只负责它真正擅长的部分。所以强模型学到的能力是可以被外化成 Prompt、代码、工具和工作流，再交给更便宜的小模型长期复用。以后就可以让大模型帮其他模型设计更好的「工作环境」。 📎 arxiv:

2026.08.15 04:09

很多时候，小模型缺的可能就是一套能把能力稳定调出来的 Harness。这篇《AI4AI at Test-Time》研究了一个很有意思的问题：能不能让更强的模型，直接给弱模型设计一套更好的工作方式？作者让 GPT-5.5、Claude Opus、Gemini 等强模型自动修改 Harness，包括 Prompt、任务路由、验证规则和确定性代码。整个过程不更新目标模型的权重。结果 GPT-5.4-mini 原始平均准确率只有 48.8%，加入自动设计的 Harness 后最高达到 91.2%，甚至超过了裸跑的 GPT-5.4。而且效果好的 Harness 往往会把一些容易出错的推理交给代码和规则处理，让模型只负责它真正擅长的部分。所以强模型学到的能力是可以被外化成 Prompt、代码、工具和工作流，再交给更便宜的小模型长期复用。以后就可以让大模型帮其他模型设计更好的「工作环境」。 📎 arxiv: