Junze Zhu 等提出 Harness Policy Distillation 对齐 Agent 运行时策略

Junze Zhu 等在 arXiv 预印本（arXiv:2610.20261）中提出 Harness Policy Distillation（HPD），把运行时控制语义作为显式训练目标：通过重放参考轨迹恢复运行时控制语义，并在每个模型调用边界用控制文档作为监督，使模型策略与 harness 的运行时语义对齐。 论文报告：在 TRAJECT-Bench 使用 Pi harness 时，经 HPD 训练的 Qwen3-8B 自主任务成功率达 22.98%、运行时合规率达 49.23%，而未适配模型分别为 3.09% 和 19.90%。该结果为作者在特定基准与模型上的声称，材料未明确所属机构。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。