方法与教程/2026-10-04/18 分钟当 Harness 丢失信号：用配对实验分开挽救和伤害北京师范大学与贝壳的预印本把智能体恢复看成因果决策：从同一状态比较刷新与不刷新，把挽救和伤害拆开。在 Qwen3-14B 的 ALFWorld 上，因果干预路由器 CIR 把成功率从 70.33% 提到 73.33%，且不触碰观察正确的轨迹。返回的新观察并不是收益的唯一来源。
研究与基准测试/2026-09-24/8 分钟MobilePA 总分 77.05，技能项仍低于 93.25：阿里把手机规划的模型和 Harness 拆开测27B 加 Harness 后 MobilePA 总分 77.05，技能项 86.25，低于表内 93.25。35B-A3B 的总分只有 69.91。每千条 2.41 美元不含输入和 Harness。
研究与基准测试/2026-08-26/8 分钟最高分要写明用的哪套 Harness：Qwen3.8-Flash-Next 把评测口径放进脚注Qwen 团队 2026-08-26 发布 Qwen3.8-Flash-Next 时，把 DeepSWE、SWE-bench、OSWorld 的 Harness、温度、上下文和裁判模型写进脚注。同一行分数不能当成同场裸分。
研究与基准测试/2026-08-16/9 分钟固定微调把 IFEval 打掉 7.7 分：淘宝直播用四套尺子看模型能不能跟着 Harness 改978 条真实直播间上，HAT 平均分 94.8，基座 80.3。固定 Harness 微调把 IFE-P 从 81.5 打到 73.8。线上七天 GMV 人均 +5.54%，没有置信区间。
研究与基准测试/2026-08-14/9 分钟能跑通还不够：腾讯云 ADP 用五件事判断 Agent 能不能进生产腾讯云 ADP 从 DeepSeek Harness 的插件、动态装载和会话日志，整理进生产前的治理检查。文末五条是成功率稳定、失败可恢复、调用可审计、权限清楚、成本延迟可接受。没有给出阈值。
