在人工智能领域，模型性能的优化一直是核心议题。近期，斯坦福大学IRIS实验室与麻省理工学院、威斯康星大学的研究团队联合提出了一项突破性方法——meta-Harness，通过让AI智能体自主优化支撑其运行的“基础设施层”，实现了性能的显著提升。这一成果颠覆了传统依赖人工调参的模式，为小模型突破性能天花板提供了新路径。
研究团队指出，AI模型的运行效果不仅取决于模型本身，更依赖于一套被称为“harness”的基础设施，包括系统提示词、工具调用逻辑、上下文管理机制等。过去，这些组件的优化高度依赖人工经验，工程师需反复测试提示词、调整工具接口、设计重试策略，过程耗时且难以定位深层问题。meta-Harness的创新之处在于，将这一过程自动化，让AI智能体通过分析完整执行轨迹，自主诊断失败原因并迭代优化。
实验数据显示，在代码生成任务中，优化后的Claude Haiku 4.5（轻量级模型）成功率达37.6%，超越所有同级别模型；Claude Opus 4.6（高性能模型）成功率更高达76.4%，接近顶尖水平。更引人注目的是，通过优化harness，轻量级模型Haiku的性能甚至超越了部分更大型模型，打破了“参数量决定性能”的传统认知。
meta-Harness的核心机制在于构建了一个“文件系统”式的知识库，存储所有历史候选harness的源代码、执行轨迹、错误日志及评分结果。优化器（Proposer）可像工程师一样自由检索信息，通过分析具体失败案例（如某步工具调用返回截断输出导致后续推理错误），针对性地重写代码。例如，在某任务中，优化器通过在初始提示中注入环境依赖信息，仅增加一条命令便将成功率提升了近20%。
这一方法的优势在复杂任务中尤为突出。在涵盖代码翻译、生物信息学、密码分析等领域的TerminalBench-2基准测试中，meta-Harness优化的模型需处理长程依赖、截断输出等挑战，其性能仍显著优于传统方法。研究团队强调，过去优化器仅能观察压缩后的上下文（如最近输出或分数），而meta-Harness最高可处理1000万token的完整轨迹，信息量是主流方法的400倍，从而实现了“反事实诊断”——通过假设“如果当时这样处理，结果是否不同”，精准定位问题根源。
除代码任务外，meta-Harness在文本分类和数学推理场景中也表现优异。在文本分类中，优化后的模型准确率提升7.7个百分点，且成本仅为前SOTA方法的四分之一；在数学推理中，其发现的检索策略可跨模型迁移，在5个未见模型上平均提升4.7个百分点。这些成果表明，AI自主优化基础设施的潜力远超预期，或将成为下一代模型竞争的关键方向。
