AI 模型的性能提升，難道只能靠盲目堆參數和燒算力嗎?谷歌給出了全新的解法!

近日，谷歌正式開源了其在遞歸自我改進（RSI）領域的最新突破性成果——Harness² 框架。該方案打破了傳統的路徑依賴，無需修改大模型底座權重，僅通過優化外圍運行腳手架(Scaffold)，就能讓大模型的表現實現飛躍式暴漲。值得一提的是，該框架的核心研發團隊華人佔比高達78%。

 破局兩大行業死穴:任務級與改進級雙層遞歸

過往的 RSI（遞歸自我改進）方案往往面臨兩大痛點:一是無標準答案時容易“走偏”;二是極易過度擬合單次任務。爲此，Harness² 創新性地引入了雙層遞歸架構:

任務級遞歸（提議-探測-合成機制）:在缺乏標準答案的開放場景下，系統通過多步對照驗證有效改動，將其安全合併進運行腳手架中，同時支持並行擴展以大幅拓寬搜索空間。

改進級遞歸（經驗庫沉澱與複用）:將調試過程中的寶貴經驗沉澱至持續改進經驗庫中。後續面對新任務時，Agent 可直接檢索並複用歷史經驗，實現改進能力的持續高效迭代。

實測表現驚豔:跑分全線飆升，跨領域遷移能力拉滿

在多項權威基準測試中，Harness² 的實測表現堪稱亮眼:

在辦公基準 WorkBuddy-Bench 測試中，接入該框架後的 GLM-5得分直接暴漲11.5分，甚至反超了原生 Gemini3.5Flash。

在 JobBench、法律基準 LAB 等多領域測試中，模型性能同樣迎來了顯著提升;通過跨領域遷移經驗庫，還能進一步放大表現。

 開啓 Runtime 認知工程新路徑

這一成果的推出，標誌着業界正在跳出單純依賴基座模型參數縮放（Scaling Law）的傳統紅海，正式探索出一條讓 Agent 在運行中自我感知、自我修補的 Runtime 認知工程新路徑。隨着 Harness² 的全面開源，開發者們將能夠以極低的成本，讓手中的 AI 模型在實際運行中不斷進化、越用越聰明!