[2026-08-03] Harness-R1: Learning to Edit Executable Runtime Harnesses from Agent Failure Trajectories
Harness-R1 训练一个 9B 模型读取失败记录、修改 Agent 的运行程序，再用实际重跑的成绩变化奖励补丁。重点是四个可修改位置、训练奖励与最终成功率的区别，以及补丁对未见任务是否仍有效。
# Coding Agent
[2026-08-06] HarnessOpt-Bench: Evaluating LLMs at Harness Optimization
固定被修改的 Agent、它调用的模型和评分规则，让不同模型在有限试验额度内改进同一套程序。本文拆解开发与隐藏测试、真实预算记录、增益计算及 111 次有正式分数的优化实验。
[2026-09-01] HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness?
模型先编写一套能调用工具、修改文件和检查结果的 Agent 程序，再根据执行反馈继续改进。本文说明开发与隐藏评测的边界、真实失败案例、跨模型迁移，以及 2,207 个下游实例上的结果。
[2026-10-03] Video2World: Benchmarking Coding Agents for Interactive World Modeling from Embodied Videos
只给一段操作视频，Agent 要写出能在物理模拟器里完成同一任务的场景与控制代码。本文用立瓶子的完整案例说明输入、隐藏标注、执行状态、成功判据、评分公式与九套系统的结果。
[2026-09-18] RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use Agents
Agent 一边操作原软件弄清行为，一边写代码复刻，再运行自己的版本检查差异。本文用 Logbert 固定日志案例说明任务与隐藏测试的来源、两种评分通道、五平台结果和训练迁移。
[2026-09-03] Multi-Harness Reinforcement Learning for Coding Agents: Training Gains and Harness Dependence
同一批编程执行记录，按接口分别比较成绩，或把同题不同接口的成绩合起来比较：两种训练都只有小幅提升，评测接口带来的差异更大；换到未见接口后，谁更好仍没有稳定证据。
[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。
[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。
[2026-09-18] 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。
