Исследователи из Университета Цинхуа и Microsoft Research Asia представили метод HarnessMM для оптимизации работы ИИ-агентов. Система строит исполняемый граф решений, который сохраняет результаты предыдущих действий агента. Это позволяет пропускать повторные обращения к языковой модели при выполнении определенных условий.
При тестировании DeepSeek Harness на бенчмарке HumanEval использование токенов на задачу сократилось с 96,28 тыс. до 11,62 тыс., что составляет около 88%. При этом показатель успешности выполнения задач вырос с 71,43% до 85,71%. Метод не требует переобучения модели, так как оптимизация происходит на уровне обвязки.
На бенчмарке MBPP-sanitized потребление токенов снизилось с 53,98 тыс. до 10,61 тыс., а успешность выросла с 90,27% до 91,83%. Применение HarnessMM к модели Codex на HumanEval сократило использование токенов на 29,54% при сохранении успешности на уровне 90,82%.
Работа под названием HarnessMM: Recursive Self-Improvement for Harness Token Efficiency была опубликована 23 октября 2026 года. Авторы отмечают, что эффективность метода зависит от архитектуры конкретной обвязки. Отсутствие необходимости в переобучении позволяет внедрять решение без значительных затрат.
