[2026-10-15] JevAgentHarness: Benchmarking, Deploying and Training Decision Models That Share Control with LLMs
把选工具、填有限选项交给小模型，不确定时仍调用大模型。沿真实发货日志和可运行的订单检查器，解释三层评测、阈值与训练，并核对新规则失败和 coding harness 的实际验证范围。
# Coding Agent
[2026-10-10] ExeWorldBench: Benchmarking Code-Based Executable 3D World Modeling
让模型用 Blender 搭出靠机械作用运行的三维装置。沿一道路口放行的真实任务，介绍题目怎么构建、模型看到什么、动画怎么评分，以及运行成功为何不等于机械正确。
[2026-09-27] SWE-Game: Can Coding Agents Build the Games We Want?
41 个可运行 Godot 参考游戏派生出 247 道开发、补全、修复与移植题。SWE-Game 用预定动作试玩，再检查状态变化和无输入对照；本文沿 Beacon Relay 的拾取、计时、送达过程解释判分。
[2026-09-28] LEGO-Anything: Coding Agents for 3D Scene Reconstruction
给一张图片，让模型写 Blender 代码搭出整间房间或室外场景，再检查隐藏几何与重新渲染后的画面。LEGO-Anything 区分了文件能用、场景恢复正确，以及后续修改是否真的变好。
[2026-09-03] EvoHarnessBench: Can Your Agents Keep Pace with an Evolving Harness?
平台逐阶段加入新工具、操作指南或专门处理某类任务的 Agent，旧题和评分规则不变。EvoHarnessBench 检查系统能否用好新增能力，以及选择越来越多时会不会连原来会做的题也做错。
[2026-08-10] Evo-Bench: Can Language Models Improve Agent Harness?
让九个模型修改同一套调用模型、工具与执行步骤的代码，最多评测 20 次、工作 48 小时。Evo-Bench 不只测最终得分，还检查模型是否保住好版本、是否把系统改坏，以及怎样使用开发预算。
[2026-06-03] The Meta-Agent Challenge: Are Current Agents Capable of Autonomous Agent Development?
给模型 12 至 24 小时，让它写出一个会答题、会修代码或会操作终端的程序，再用未见过的任务测试这份程序。Meta-Agent Challenge 比较了 39 组开发配置，也记录了开发接口泄露答案的真实案例。
[2026-02-25] VeRO: A Harness for Agents to Optimize Agents
VeRO 管理 Agent 自动改进 Agent 时的代码版本、评测额度、可见文件和运行记录。本文解释一次修改怎样被评测，并用 Terminal-Bench 的逐题结果说明：消除程序异常，未必让任务成功率提高。
[2026-06-04] From Failed Trajectories to Reliable LLM Agents: Diagnosing and Repairing Harness Flaws
HarnessFix 先把失败记录对应到具体代码：哪些信息没传下去，程序为什么过早结束，再限制补丁可改的范围。本文用 AppWorld 支付请求解释完整诊断与验证过程，并核对四个 benchmark 的评分和证据缺…
[2026-06-08] Self-Harness: Harnesses That Improve Themselves
Self-Harness 让同一个模型做任务、阅读失败原因，再修改自己的运行程序。重点是候选如何生成和保留、真实测试怎样判补丁成功，以及反复用于筛选的验证题为什么不等于最终盲测。
