Googleの研究者は10月9日、AIエージェントの実行環境を段階的に改善するプラグアンドプレイ型フレームワーク「Harness²」を論文で発表しました。研究者らによると、エージェントの能力は基盤モデルだけでなく、それを動かす実行環境にも左右されます。自己改善（システムが自身の結果を使って自動的に改訂すること）には、実世界の未知のタスクに対応するうえで2つの課題があります。実行環境の設計時に想定されていないタスクでは、実行中の編集を導く正解判定器がなく、特定タスク向けの改善が未知の状況で機能しない場合もあります。

Harness²は、つながりのある2段階の再帰処理を使います。タスク単位では「提案・調査・統合」の対比的な手順で、正解判定器を使わずに現在のタスク向けに実行環境を改良します。この処理は並列または逐次で実行できます。実行環境単位では、そうした編集から学習して継続的に改善する実行環境を更新し、エージェントが後続のタスクに適応できるようにします。

3つの専門ベンチマークと4つのモデル・実行環境の構成で評価したところ、Harness²を1段階実行すると、GLM-5とGemini 3.5 Flashの双方で基本の実行環境を一貫して上回りました。改善幅はWorkBuddy-Benchで11.5ポイント、JobBenchで4.5ポイント、LABで11.8パーセントポイントに達しました。論文は、タスク単位の再帰処理に割り当てる予算を増やすと、さらに改善すると報告しています。

Googleの研究者は10月9日、AIエージェントの実行環境を段階的に改善するプラグアンドプレイ型フレームワーク「Harness²」を論文で発表しました。研究者らによると、エージェントの能力は基盤モデルだけでなく、それを動かす実行環境にも左右されます。自己改善（システムが自身の結果を使って自動的に改訂すること）には、実世界の未知のタスクに対応するうえで2つの課題があります。実行環境の設計時に想定されていないタスクでは、実行中の編集を導く正解判定器がなく、特定タスク向けの改善が未知の状況で機能しない場合もあります。

Harness²は、つながりのある2段階の再帰処理を使います。タスク単位では「提案・調査・統合」の対比的な手順で、正解判定器を使わずに現在のタスク向けに実行環境を改良します。この処理は並列または逐次で実行できます。実行環境単位では、そうした編集から学習して継続的に改善する実行環境を更新し、エージェントが後続のタスクに適応できるようにします。

3つの専門ベンチマークと4つのモデル・実行環境の構成で評価したところ、Harness²を1段階実行すると、GLM-5とGemini 3.5 Flashの双方で基本の実行環境を一貫して上回りました。改善幅はWorkBuddy-Benchで11.5ポイント、JobBenchで4.5ポイント、LABで11.8パーセントポイントに達しました。論文は、タスク単位の再帰処理に割り当てる予算を増やすと、さらに改善すると報告しています。