通过 Harness 与策略优化实现自我进化的编程智能体
Self-HPO 是一种交替优化 harness（负责调节智能体与环境交互的机制）和训练策略的框架。每轮中，当前策略会分析自身失败并提出 harness 候选方案，随后在选定的 harness 下通过强化学习更新策略。在三个编程基准测试中，Qwen3.5-35B-A3B 的平均解决率从 57.8% 提升至 64.8%，在分布外任务上也有所改善。使用更强的外部模型提出 harness 候选方案，还能进一步提升表现。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。