LongHorizon-Harness предлагает цикл Manage-Execute-Audit для долгосрочных агентов
Предлагает цикл Manage-Execute-Audit (MEA), отделяющий отслеживание состояния задачи от исполнения: менеджер хранит проверенное состояние задачи, исполнитель с чистым контекстом обрабатывает каждую подзадачу, а аудитор в режиме только для чтения проверяет состояние среды перед каждым новым раундом. Среди заявленных результатов — рост Qwen 3.7-Plus с 51,8% до 80,7% на WeaveBench и рост Claude Opus 4.7 с 20,0% до 34,3% на подмножестве OSWorld 2.0.
Почему это важно
Находится в HuggingFace Daily Papers с числом отметок «нравится» выше 100, что указывает на сильный интерес сообщества к решению проблемы надёжности долгосрочных агентов за счёт отделения отслеживания состояния от исполнения.
Важность: 3/5
Применён бонус за HF Daily Papers с >=100 отметками «нравится».
Источники
официальный
Paper page - LongHorizon-Harness