JIT-Agent让小模型性能反超GPT-5.6

同一个模型，临时换一套更合适的 Harness，性能真的可以跨过更强的前沿模型。

这篇论文提出 JIT-Agent，专门学习「怎么给 Agent 设计 Harness」。

过去 Harness Agent 这套东西大多由人提前设计好，再复用到不同任务。

JIT-Agent 换了一个思路：先看当前任务，再现场生成一套专门的 Harness。

它把 Harness 拆成四部分：Memory、Planning、Action 和工具/Skill 编排。生成后如果运行失败，还会根据报错自动修复；随着任务积累，表现更好的 Harness 会进入经验库，继续影响后面的生成。

效果很明显。

DeepSeek-V4-Flash 加上 JIT-Agent 后，在 DeepSearchQA 上从 76.2 提升到 85.1，超过 GPT-5.6 的 76.0；GLM-5.2 在部分任务上最高提升 20.2 个百分点。

还有在固定底座模型的对比中，JIT-Agent 在 6 组实验里都用了最少的 token 和 API 成本，平均比最便宜的固定 Harness 还省 36%。

对于 Agent 的 Scaling 方向，除了升级模型、增加推理算力，我们也可以训练一个系统，专门学习「面对这个任务，应该怎么组织 Agent」。

📎 arxiv: