AIモデルの性能向上は、単にパラメータを無造作に追加したり計算能力を使い果たすだけではないのでしょうか？Googleが新しい解決策を提示しました！
最近、グーグルは再帰的自己改善（RSI）分野における最新の画期的な成果であるHarness²フレームワークを正式にオープンソース化しました。この方案は従来のパス依存性を打破し、大規模モデルの基盤の重みを変更する必要なく、周辺運用スカフォールドを最適化することで、大規模モデルの性能を飛躍的に向上させることができます。注目すべきは、このフレームワークの核心開発チームに中国人が78％を占めることです。
二大業界の破局の要因：タスクレベルと改善レベルの二重再帰
過去のRSI（再帰的自己改善）アプローチには、二つの大きな問題があった。一つは標準的な答えがない場合に「方向性を間違える」こと、もう一つは単一のタスクに対して過度に適合する傾向があることである。そのため、Harness²は革新的に二重層再帰構造を導入した。
タスクレベルの再帰（提案-探索-合成メカニズム）：標準的な解答がない開放的な状況において、システムは複数段階の対照検証を通じて有効な変更を実行し、それを運用スケールフレームに安全に統合する。同時に並列拡張もサポートし、探索空間を大幅に拡大する。
改善レベルの再帰（経験データの蓄積と再利用）：デバッグプロセス中の貴重な経験を、継続的に改善するための経験データベースに蓄積する。その後、新しいタスクに直面した際に、エージェントは過去の経験を直接検索し再利用することで、改善能力を持続的に効率的に向上させることができる。
実測性能が驚異的：スコアが全線上昇し、多領域への移行能力が最大限に高まった
多くの権威あるベンチマークテストにおいて、Harness²の実測性能は非常に優れています。
WorkBuddy-Benchテストにおいて、このフレームワークに接続した後のGLM-5のスコアは、直接11.5点急上昇し、元のGemini3.5Flashを上回った。
JobBench、法律基準LABなどの多くの分野でのテストにおいて、モデルの性能も同様に大幅に向上しました。異なる分野間での経験データを移行することで、さらに性能を高めることができます。
Runtime認知エンジニアリングの新しいパスを開始する
この成果の実現により、業界は単にベースモデルのパラメータスケーリング（スケーリング法）に依存する従来のアプローチから脱却し、エージェントが実行中に自己認知し、自己修復するランタイム認知工学の新たな道を正式に探求している。Harness²が完全にオープンソースになることで、開発者は非常に低コストで、手元のAIモデルを実際の運用中に継続的に進化させ、より賢くなることができる！