找到 4 筆
作者 Shrivu Shankar 認為，每個 SaaS 業務最終都會變成圍繞無狀態 LLM 的 harness，也就是模型之外的基礎設施、介面、上下文與狀態。他給出四階段路徑：無 harness、個人操作 harness、個人編排 harness，最後是 harness 編排個人，核心任務交給雲端後臺 agent，人類只在關鍵處提供品味與判斷。Claude Code、Codex、OpenCode、LangGraph 被他列為狹義 harness 的例子；
2026-10-01 發布的文章追問強 agent 在自主 ML 工程中究竟需要多少 harness。它指出，近期自主 MLE agent 在公開排行榜取得顯著進展，但現代 MLE agent 常建立在多 agent 編排器、專用檢索子 agent 等越來越複雜的裝置上；動機包括長週期進展停滯與 LLM 原語有限。相比之下，讓 LLM 通過 read、write、bash 直接訪問執行環境的更原始但改進的 coding agent，在領域內受到的關注很少。
Latent Space 最新一期播客請到 MIT 的 Alex Zhang，聊遞迴語言模型（RLM）、AI 寫 GPU kernel 與多智慧體 swarm。據他介紹，基於 RLM 的 harness 是首個接近解出 ARC-AGI-3 的方案，早於 OpenAI 的 Astra；他還談到 OpenAI 的 1 萬 agent、1300 億輸出 token、約合 4000 萬美元的問題求解實驗。
微軟發布 FrogNano-4B-2609，一個面向算力有限開發者的 4B 智慧體模型，Hugging Face 上已有 GGUF 量化版本。它由 Qwen3.5-4B 派生，沿用 32 層混合 Gated DeltaNet 與門控注意力架構，後訓練為純文字、聚焦倉庫級軟體工程，用強化學習在約 1500 個 TaskPilot 生成的合成 SWE 環境上訓練，獎勵來自可執行測試，配套五工具的 Leaf harness。與行為蒸餾不同，它不訓練強模型的解題軌跡。