# CMUの論文、ソルバーを変えずにエージェントのハーネスを編集する4B提案モデルを訓練

このハーネス学習論文は強化学習を用いて、提案モデルがタスク、現在のハーネス、実行レポートからハーネスコードを修正する。訓練された4B提案モデルはReasoning Gymの単一ステップ改訂で35B教師モデルを上回り、HotpotQAでの訓練はMuSiQueと2WikiMultihopQAに転移する。

Language: ja
Time zone: Asia/Tokyo
Current time (UTC, cached as of): 2026-11-22T13:22:00.000Z
Query date (Asia/Tokyo): 2026-11-22

HTML: https://didcodexreset.com/ja/news/8765e117d8bf4962af57d0d5.html

Content language: ja
Localization state: translated

出典：elvis · 2026/10/4 09:20:53 公開

CMUの論文 [Harness Learning Enables Generalizable Test-Time Adaptation](https://arxiv.org/abs/2609.35738) は、ソルバーモデルの重みを変えるのではなく、エージェントのハーネスコードを編集することでエージェントを改善する提案モデルを強化学習で訓練する。

提案モデルはタスク、現在のハーネス、実行レポートを読み取り、コード編集を書き出す。その報酬は改訂されたハーネスのスコアであり、ソルバーモデルは固定されたままである。

訓練された4B提案モデルはReasoning Gymの単一ステップ改訂で35B教師モデルを上回り、訓練で見なかったタスクファミリーも含まれる。HotpotQAで訓練された提案モデルはMuSiQueと2WikiMultihopQAでハーネスを改善し続ける。

Tags: ハーネス学習, CMU, AIエージェント, 強化学習, Reasoning Gym

[元の投稿を見る](https://x.com/omarsar0/status/2106529236068819394)
