Co-Harness: Ottimizzazione Congiunta di Harness e Pesi per Agenti LLM

Un nuovo framework chiamato Co-Harness migliora sia l'harness dell'agente che i parametri del modello durante il post-addestramento per la ricerca AI automatizzata. I metodi tradizionali addestrano i modelli utilizzando un harness statico—composto da prompt, strumenti, competenze, middleware e memoria—trascurando l'ottimizzazione del processo di generazione dei dati. Co-Harness adotta un approccio duale, alternando tra l'ottimizzazione dell'harness e quella del modello. Un HarnessCritic basato su LLM valuta le traiettorie non riuscite, individua le modalità di fallimento a livello di harness e suggerisce miglioramenti locali validati. Successivamente, il modello viene messo a punto utilizzando traiettorie di alta qualità derivate dall'harness migliorato, affinando efficacemente i comportamenti. Questa strategia risolve il disallineamento tra gli aggiornamenti del modello e l'impalcatura invariabile che influenza la qualità delle traiettorie.