LongHorizon-Harness: развитие агентов для долгих горизонтов в реальных задачах

Harness, переформулирующий выполнение агентом долгих горизонтов задач как явную проблему управления состоянием задачи: верифицированное состояние хранится вне растущего контекста модели вместо неконтролируемого накопления допущений. Он поднимает Qwen 3.7-Plus с 51.8% до 80.7% на WeaveBench и с 2.8% до 8.3% на OSWorld 2.0, а также поднимает Claude Opus 4.7 с 20.0% до 34.3% на подмножестве OSWorld 2.0.