Harness²用两级递归改进开放世界智能体执行框架
Harness²用两级递归改进智能体执行框架：任务级以对比式Propose-Probe-Compose在无真值时修正当前框架，框架级再沉淀经验。单步可提升GLM-5与Gemini 3.5 Flash，三项专业基准最高增益分别为11.5分、4.5分和11.8个百分点。
要点
- 任务级递归用对比式Propose-Probe-Compose引导编辑，不依赖真值验证器，并可并行或串行扩展。
- 框架级递归从这些编辑中提取经验，更新持续改进框架，以更好适应未来任务。
- 四种模型与框架配置下单步即有增益，递归预算增加还能继续提升；价格与国内可用性未知。
为什么值得看
开放世界任务在测试时往往未见且缺少真值验证器，既有递归自我改进又过于依赖单次任务、难以迁移。Harness²把当前任务的框架修正与跨任务经验积累连成两级递归，从而在无真值反馈时提升执行表现。
谁会受影响
面向搭建或评测大模型智能体、关注执行框架而非仅底层模型的研究者与开发者；文中配置涉及GLM-5与Gemini 3.5 Flash。
今天就能怎么试
可按论文标识2610.14224查阅Propose-Probe-Compose及两级递归设计。代码、接口、价格和国内可用性均未知，本条未实测。
原始来源
1Harness^2: Recursive Agent Harnessing for an Open World · Hugging Face Daily Papers · 2026年10月9日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。