[2026-09-08] Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails
先为弱模型调整提示、工具和运行时检查，再让它完整模仿强模型，成绩反而下降。本文沿着两条真实失败记录，解释为何改用学生自己的执行记录，只修错误发生的那一轮，并核对数据和实验限制。
归档
[2026-08-23] Learning Generalizable Behaviors for Terminal Agents
RIVER 先检查任务说明、容器和测试程序是否一致，再让强模型各试两次，从原训练集筛出约 3.5K 个环境。两条真实误判记录说明答案泄漏和脆弱测试怎样带偏训练，以及重复操作的扣分加在何处。
[2026-08-18] LEGO-RL: Harness-Native Reinforcement Learning for Coding Agents
LEGO-RL 保留 Claude Code 等编码助手原有的执行流程，记录模型实际生成的内容，再按隐藏测试结果训练模型。用真实进度条修复任务讲清生成记录、任务筛选、评分和训练更新，并区分验证集最高分与最后一次验证。
[2026-09-01] Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement
让现成编码助手反复规划、开发和独立测试同一个项目，保留代码与对应版本的验证记录。结合真实第 70 轮失败记录，核对方法、评分、成本，以及论文设计与公开实现的差别。
[2026-08-03] LongHorizon-Harness: Advancing Long-Horizon Agents for Real-World Tasks
拆解 LongHorizon-Harness 如何单独保存任务进度、每轮重新启动执行会话并独立核验结果；结合真实失败案例，说明评分、成本与实验限制。
[2026-04-28] Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses
固定模型，自动读取失败记录，修改提示、工具代码、运行时检查和经验文件，再用下一轮测试验收。本文沿着误删图片、未完成采样两条实际失败记录，解释修改流程、计分和组件冲突。
[2026-09-21] Harness-Zero: Harness Distillation via Agent-as-Harness
训练时先审查模型准备执行的下一步，把专用工具与检查规则改写成普通 Bash 动作，再用执行记录微调模型。本文解释审查流程、表格案例、三个领域的评分与蒸馏失败的原因。
[2026-09-18] GameLogicBench: Evaluating Coding Agents on Runtime Game Logic with Tick-Level State Assertions
在给定 Godot 项目里补好玩法逻辑，怎样确认它每一步都守规则？从引擎与代码示例讲起，逐项拆解任务构建、真实案例、隐藏判分和实验分母。
[2026-09-18] GameASG-Bench: Benchmarking Autonomous Software Generation for Game Development
47 个浏览器游戏怎样验收：谁写测试、编码模型系统看见哪些材料、真实拖拽如何判失败，以及为什么运行检查平均通过率 93.2% 只对应 26/47 个完整成功任务。
Jev 是什么？和 LLM、BERT 有什么区别
一份关于 Jev、NanoJev、BERT 与 LLM 的 17 页交互图解。
