WorkBuddy-Bench

西北大学与谷歌联合论文提出 Harness2，让智能体在无标准答案的新任务上通过试跑候选修改并保留有效改动来自动优化其框架（提示词、工具、技能与记忆）。单步改进使 GLM-5 在 WorkBuddy-Bench 上提升 11.5 分，超过原生框架下的 Gemini 3.5 Flash；而未经试跑验证的框架编辑反而使编码分数从 73.4 跌至 63.2。