AI 模型的性能提升，难道只能靠盲目堆参数和烧算力吗?谷歌给出了全新的解法!
近日，谷歌正式开源了其在递归自我改进（RSI）领域的最新突破性成果——Harness² 框架。该方案打破了传统的路径依赖，无需修改大模型底座权重，仅通过优化外围运行脚手架(Scaffold)，就能让大模型的表现实现飞跃式暴涨。值得一提的是，该框架的核心研发团队华人占比高达78%。
破局两大行业死穴:任务级与改进级双层递归
过往的 RSI（递归自我改进）方案往往面临两大痛点:一是无标准答案时容易“走偏”;二是极易过度拟合单次任务。为此，Harness² 创新性地引入了双层递归架构:
任务级递归（提议-探测-合成机制）:在缺乏标准答案的开放场景下，系统通过多步对照验证有效改动，将其安全合并进运行脚手架中，同时支持并行扩展以大幅拓宽搜索空间。
改进级递归（经验库沉淀与复用）:将调试过程中的宝贵经验沉淀至持续改进经验库中。后续面对新任务时，Agent 可直接检索并复用历史经验，实现改进能力的持续高效迭代。
实测表现惊艳:跑分全线飙升，跨领域迁移能力拉满
在多项权威基准测试中，Harness² 的实测表现堪称亮眼:
在办公基准 WorkBuddy-Bench 测试中，接入该框架后的 GLM-5得分直接暴涨11.5分，甚至反超了原生 Gemini3.5Flash。
在 JobBench、法律基准 LAB 等多领域测试中，模型性能同样迎来了显著提升;通过跨领域迁移经验库，还能进一步放大表现。
开启 Runtime 认知工程新路径
这一成果的推出，标志着业界正在跳出单纯依赖基座模型参数缩放（Scaling Law）的传统红海，正式探索出一条让 Agent 在运行中自我感知、自我修补的 Runtime 认知工程新路径。随着 Harness² 的全面开源，开发者们将能够以极低的成本，让手中的 AI 模型在实际运行中不断进化、越用越聪明!
