资讯摘要
论文提出 HarnessAdapt-RL，在强化学习过程中同时训练策略并调整其运行框架（harness）。针对有缺陷的修复策略，由冻结教师生成任务级机制技能；针对跨任务反复出现的交互问题，由另一教师模型演化工具与钩子，仅在提升通过率或可训练率且不降低另一指标时保留改动。作者报告，基于 9B 基座模型，该方法在 SWE-bench Verified、Multilingual 和 Pro 上 pass@1 较 GRPO 分别提升 9.8、12.6 和 6.4 个百分点。
要点速读
- 论文提出 HarnessAdapt-RL，在强化学习中同时训练策略并自适应调整 harness。
- 冻结教师生成任务级机制技能；另一教师模型演化工具与钩子，按通过率或可训练率决定是否保留。
- 作者报告 9B 基座模型在 SWE-bench Verified、Multilingual、Pro 上 pass@1 较 GRPO 提升 9.8、12.6、6.4 个百分点；部署时移除工具与钩子最多损失 7.7 个百分点。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/22 08:00:25（北京时间）。