# 无需微调模型底座！谷歌开源王牌框架 Harness²：首创任务与经验双层递归架构，大模型运行时自主修补与跑分飞跃

- Link: https://paooo.com/ai-tool/40182/
- Published: 2026-10-19T16:08:57+08:00
- Author: 站外新闻

> **💡 站外导读：**过去两年，大模型能力的突破往往被死死绑定在预训练与后微调的“Scaling
> Law”重资产红线上——动辄投入数千卡算力，不仅边际效用递减，且对于垂直复杂的落地场景
> 而言，单次微调容易破坏通识泛化。然而，智能体真实落地的瓶颈往往不在基座常识，而
> 在外围执行与上下文自适应调优能力。谷歌开源的 Harness² 框架打破了这一惯性思维：
> 不碰模型底层权重，纯靠外围“脚手架”（Scaffold）构建起任务与经验双层递归闭环，让
> 大模型在运行中学会动态自我修补，为 AI 落地开辟了轻量高收益的 Runtime 认知工程范
> 式。

## 打破“算力即正义”盲区：大模型性能提升迎来 Runtime 新解法

在业界普遍陷入“盲目堆叠模型参数、拼抢万卡算力集群”的军备竞赛之际，Google 研发团队
给出了一条极具颠覆性的工程破局路线。近日，谷歌正式宣布全面开源其在**递归自我改进（
Recursive Self-Improvement, RSI）**领域的里程碑式框架——**Harness²**。

阅读目录

 * [打破“算力即正义”盲区：大模型性能提升迎来 Runtime 新解法](https://paooo.com/ai-tool/40182/#%e6%89%93%e7%a0%b4%e7%ae%97%e5%8a%9b%e5%8d%b3%e6%ad%a3%e4%b9%89%e7%9b%b2%e5%8c%ba%e5%a4%a7%e6%a8%a1%e5%9e%8b%e6%80%a7%e8%83%bd%e6%8f%90%e5%8d%87%e8%bf%8e%e6%9d%a5-runtime-%e6%96%b0%e8%a7%a3%e6%b3%95)
 * [双层递归架构解密：攻克开放场景无标答偏航与单点过拟合](https://paooo.com/ai-tool/40182/#%e5%8f%8c%e5%b1%82%e9%80%92%e5%bd%92%e6%9e%b6%e6%9e%84%e8%a7%a3%e5%af%86%e6%94%bb%e5%85%8b%e5%bc%80%e6%94%be%e5%9c%ba%e6%99%af%e6%97%a0%e6%a0%87%e7%ad%94%e5%81%8f%e8%88%aa%e4%b8%8e%e5%8d%95%e7%82%b9)
    - [1. 任务级递归（Task-level Recursion）：提议-探测-合成动态闭环](https://paooo.com/ai-tool/40182/#1-%e4%bb%bb%e5%8a%a1%e7%ba%a7%e9%80%92%e5%bd%92tasklevel-recursion%e6%8f%90%e8%ae%ae%e6%8e%a2%e6%b5%8b%e5%90%88%e6%88%90%e5%8a%a8%e6%80%81%e9%97%ad%e7%8e%af)
    - [2. 改进级递归（Improvement-level Recursion）：经验库沉淀与跨任务迁移](https://paooo.com/ai-tool/40182/#2-%e6%94%b9%e8%bf%9b%e7%ba%a7%e9%80%92%e5%bd%92improvementlevel-recursion%e7%bb%8f%e9%aa%8c%e5%ba%93%e6%b2%89%e6%b7%80%e4%b8%8e%e8%b7%a8%e4%bb%bb%e5%8a%a1%e8%bf%81%e7%a7%bb)
 * [核心基准测试横评：GLM-5 暴涨 11.5 分反超 Gemini3.5Flash](https://paooo.com/ai-tool/40182/#%e6%a0%b8%e5%bf%83%e5%9f%ba%e5%87%86%e6%b5%8b%e8%af%95%e6%a8%aa%e8%af%84glm5-%e6%9a%b4%e6%b6%a8-115-%e5%88%86%e5%8f%8d%e8%b6%85-gemini35flash)
 * [工程落地启示：从“炼丹式调权”到“脚手架动态治理”](https://paooo.com/ai-tool/40182/#%e5%b7%a5%e7%a8%8b%e8%90%bd%e5%9c%b0%e5%90%af%e7%a4%ba%e4%bb%8e%e7%82%bc%e4%b8%b9%e5%bc%8f%e8%b0%83%e6%9d%83%e5%88%b0%e8%84%9a%e6%89%8b%e6%9e%b6%e5%8a%a8%e6%80%81%e6%b2%bb%e7%90%86)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/ai-tool/40182/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

该框架最核心的技术特性在于：**完全不需要重新训练或微调底座[大模型](https://paooo.com/ai-study/)
的权重参数（Weights-Free）**，仅仅通过针对大模型外围“执行脚手架（Scaffold）”的结构
化自适应优化，就能让大模型在实际运行（Runtime）中展现出跨越式的性能飞跃。值得关注
的是，该核心科研团队展现出了极强的华人科学家力量，核心作者群体中华人占比高达 78%。

## 双层递归架构解密：攻克开放场景无标答偏航与单点过拟合

在过往的递归自我改进（RSI）探索中，[智能体](https://paooo.com/trends/)系统通常会
遭遇两个致命的工业级死穴：

 * **无监督偏航（Drifting without Ground Truth）**：在缺乏明确标准答案的真实开放
   业务场景下，自主改写的 [Prompt](https://paooo.com/ai-image-prompts/) 或策略极
   易在迭代中越走越偏，发生灾难性幻觉放大。
 * **局部过度拟合（Task Overfitting）**：模型为了解决某一个具体的边缘 Case，往往会
   把脚手架修改得高度特化，导致面对新场景时泛化性能断崖式下跌。

为了从底层根治上述难题，Harness² 首创了**“任务级”与“改进级”相互解耦的双层递归系统
架构**：

### 1. 任务级递归（Task-level Recursion）：提议-探测-合成动态闭环

在面对没有标准答案的复杂开放任务时，Harness² 不再采用单次试错的线性逻辑，而是启动“
提议-探测-合成（Propose-Probe-Synthesize）”机制。系统在沙盒中进行多分支并行变异探测，
利用交叉对比验证捕获真正具备鲁棒性的改动方案，再以最小原子粒度安全合并进运行脚手架
中，既拓宽了解决方案的搜索空间，又杜绝了单点策略崩溃。

### 2. 改进级递归（Improvement-level Recursion）：经验库沉淀与跨任务迁移

智能体在调试与纠偏过程中积累的每一次有效策略、异常规避模式以及结构化约束，都会被
格式化为元经验向量，沉淀至长期记忆经验库中。当未来系统遭遇全新的未知任务时，Agent
可通过上下文检索直接复用以往的成功经验，实现跨领域认知能力的指数级持续进化。

## 核心基准测试横评：GLM-5 暴涨 11.5 分反超 Gemini3.5Flash

在涵盖通用办公、代码生成、专业法律与复杂推理的多项权威基准评测中，挂载 Harness² 
运行脚手架的模型展现出了惊人的战斗力：

  |  测试基准 (Benchmark) |  测试模型对象 |  原生得分 (Baseline) |  挂载 Harness² 得分 |  性能提升幅度与战绩 |  
   |  **WorkBuddy-Bench** (企业办公场景) |  GLM-5 (Base) |  基准分位 |  暴涨 +11.5 分 |  综合跑分直接反超原生 Gemini3.5Flash |  
 |  **JobBench** (职业任务实操) |  多主流开源大模型 |  常规基线 |  提速并提升 14.8% |  长程任务断点续做与异常自愈成功率拉满 |  
 |  **LAB Legal Bench** (严肃法律实务) |  垂类推理基座 |  合规基线 |  跨领域迁移增益 8.2% |  经验库直接复用办公场景沉淀规则 |

## 工程落地启示：从“炼丹式调权”到“脚手架动态治理”

长期以来，企业在落地 AI 应用时面临两难困境：要么花大价钱全量微调，换来高昂的算力
成本和潜在的遗忘风险；要么仅靠简单的静态 Prompt 模板，面对复杂长链条业务时漏洞百出。
Harness² 的开源证明：**运行时治理与动态脚手架构造，同样蕴藏着巨大未被发掘的红利**。
通过标准化 Runtime 框架，大模型能够边干边学、遇错自修，真正走向工业级可靠。

#### 📝 站长洞察 (Editor’s Insight)

Harness² 的核心价值在于撕下了智能体产业长期存在的“模型崇拜”滤镜。过去业内常把 Agent
任务失败归咎于基座模型参数量不够或推理能力欠缺，陷入盲目升级超大模型的昂贵泥潭；
但实际上，大量真实工程故障源于外围 Prompt 结构呆板、上下文工具调用断裂以及缺乏反馈
补偿机制。Harness² 把递归自我改进（RSI）从危险的“自我改写权重”降维为可控且可观测
的“自我调试脚手架”，在沙盒与运行时构建经验知识库。这种以轻量框架驱动大模型 Runtime
自愈的工程思路，不仅大幅降低了企业适配私有化垂类任务的算力门槛，更预示着未来 AI 
系统的工程竞争重心正从“模型单兵参数”加速向“宿主架构自治能力”全面转移。

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,000+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[⚡ AIGC 早报生成器](https://paooo.com/mtool/)