Today for AI
返回热点榜
agent热度 19.1°

AI 聚合热点事件 · 2026/11/2

清华微软提出 HarnessMM：智能体预规划跳过冗余 LLM 调用，Token 省近九成

1 篇收录报道1 家独立信源交叉印证持续跟踪至 2026/11/2 16:51:40
全景综述与最新动态
1 家信源交叉印证

清华大学与微软联合研究提出 HarnessMM 框架，通过让模型预先编写带校验条件的后续命令序列，在工具结果满足条件时直接执行而无需再次调用 LLM。实验显示该方法在 HumanEval 任务上使 DeepSeek Harness 的 Token 消耗降低 87.93%，同时成功率从 71.43% 提升至 85.71%，显著优化了智能体的推理效率与成本。

最新动向/清华大学与微软联合研究提出 HarnessMM 框架，通过让模型预先编写带校验条件的后续命令序列，在工具结果满足条件时直接执行而无需再次调用 LLM。实验显示该方法在 HumanEval 任务上使 DeepSeek Harness 的 Token 消耗降低 87.93%，同时成功率从 71.43% 提升至 85.71%，显著优化了智能体的推理效率与成本。

逐小时热度走势

2 个完整观测小时
连续完整观测不足 3 个小时，暂不绘制趋势曲线。

报道时间线

共 1 篇 · 最新优先
  1. Rohan Paul (@rohanpaul_ai)T2·78 分

    清华微软提出 HarnessMM：智能体预规划跳过冗余 LLM 调用，Token 省近九成

    原标题：New Tsinghua and Microsoft paper finds that DeepSeek Harness used 87.93% fewer tokens than its origi...

    • HarnessMM 允许模型预规划带有成功校验条件的命令链，若中间步骤符合预期则跳过 LLM 决策环节。
    • 在 HumanEval 基准测试中，DeepSeek Harness 应用该技术后 Token 用量减少 87.93%，成功率提升至 85.71%。
    • 对于写代码、编译、测试等可预测的任务流，预规划策略能显著降低延迟与计算成本。