摘要
论文先按轨迹失败组成判断应该改 harness 还是改权重，再用 held-out gate 验收 harness 修改，并以 evolved-harness 轨迹做监督微调。其 WebArena-Lite 结果让这套诊断直接涉及 browser-use，但权重阶段不是 reward-driven RL。（来源：原始资料（本地存档））
核心内容
- DeepPlanning 的 48/72 开发-留出切分上，外部 harness evolution 主要修复循环、步数耗尽和不交付；4B held-out 分数 0.164→0.297、交付率 55%→90%，9B 为 0.323→0.442。（来源：原始资料（本地存档））
- 82/98 条筛选轨迹训练的 LoRA 在 seed harness 上分别带来约 +0.126/+0.131 held-out 增益；WebArena-Lite 的核心增益来自两页完整历史，不可由 adapter 替代。（来源：原始资料（本地存档））
- 系统持久修改外部 harness 且有回滚/held-out gate，可归为受约束 harness evolution；模型权重只做 SFT/LoRA，非严格 Agentic RL，也不是权重级 RSI。（综合：原始资料（本地存档））
相关页面
- 概念：Harness Engineering、Self-Improving Harness、Recursive Self-Improvement、Computer-Use Agent
- 实体：Harness Evolution Ceiling Study
- 主题：Browser and Computer-Use Agents、LLM Agent Self-Improvement
来源
- 原始文件：原始资料（本地存档）
- 定位信息：arXiv v1，§3–§6、Table 1、WebArena-Lite 实验与 Limitations；正文由 alphaXiv PDF 查询核实。
待核实问题
- 代码与 trajectory 发布物、跨夜结果和统一预算对照仍待独立复现。