研究與評測
Meta 與 UIUC 發表 EvoHarness-RL 代理框架，讓 8B 模型效能匹敵 Claude Opus 4.5
VentureBeat單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
據報導，Meta AI 與伊利諾大學厄巴納-香檳分校（UIUC）研究人員共同發表 EvoHarness-RL 框架，能讓 8B 參數規模的 AI 模型展現出匹敵 Claude Opus 4.5 的水準。
傳統 AI 代理在執行長流程任務時，高度依賴由人類手動編寫規則的「harness」（執行階段層）來提供執行回饋與狀態追蹤。論文共同作者 Xuying Ning 指出，手動編寫邏輯會消耗大量工程資源，每次模型升級都可能引發漫長的微調與除錯週期；此外，現有的純附加（append-only）記憶體容易累積過時資訊與失敗嘗試，反而會削弱代理的推理能力。
EvoHarness-RL 透過為代理的 harness 增加抽象層，教導底層模型何時讀取、更新或整合來自環境的資訊。該框架將代理的支援系統整合為單一介面，讓模型學會從執行資料中建構包含信念、進度與經驗的結構化工作區，並具備動態壓縮與替換記憶的能力，使代理能自主決定何時調用外部狀態，而不再盲目遵循硬編碼指令。
讀原始報導背景
AI 代理（AI agent）在執行複雜的長篇任務時，通常需要依賴被稱為「harness」的執行環境層來追蹤進度與處理錯誤。過去這類機制多由開發者手動撰寫死板的規則，導致模型升級時需耗費大量工程資源重新調整。為解決此問題，Meta 與伊利諾大學研究團隊提出 EvoHarness-RL 框架，讓模型學會自主管理外部資訊，擺脫對手動邏輯的依賴。