חוקרי גוגל מדגימים איך אפשר לוותר על הארנס בזמן ריצה, ולשפר ביצועים

מאמר חדש של גוגל ושותפים מראה ששיטת Harness-Zero מצליחה לזקק את התנהגות הארנס המותאם לתוך המודל עצמו, כך שבזמן פריסה (deployment) המודל פועל בלעדיו, ומגיע ל-44.3% הצלחה במשימות מאקרו, לעומת 23.3% עם ארנס רגיל ו-41.7% של מודל הבסיס עם ארנס מוצמד.

מה זה ארנס ולמה הוא מפריע

במונח "ארנס" (harness) הכוונה לקוד עוטף שמנהל את לולאת הפעולה של הסוכן: בוחר כלים, מנתח פלטים, מטפל בשגיאות וכופה מבנה פעולה קבוע. הארנס מקל על פיתוח ונותן שליטה, אבל הוא גם מגביל את מרחב הפעולות (action space) שהמודל יכול לחקור, מוסיף תקורה ומקשה על העברה לסביבות שבהן אי אפשר להריץ קוד חיצוני. הבעיה מוכרת: כשהארנס מכתיב את הצעדים, המודל לומד לפעול בתוך המסגרת שלו ולא לפתח אסטרטגיות עצמאיות.

איך עובד Harness-Zero

השיטה מפרידה בין שני מרחבי פעולה: בזמן אימון משתמשים ב"ארנס מותאם" (optimized harness) עשיר יותר, שיכול לתקן את תשובות המודל לפני שהן רצות. התיקונים האלה הופכים להדגמות אימון (training demonstrations) במרחב הפעולה של הפריסה, שהוא מצומצם יותר. במילים אחרות, הארנס המורכב משמש רק כמורה בזמן האימון; בזמן אמת המודל פועל לבד, בלי קוד עוטף, אבל עם הידע שנצבר מהתיקונים.

המספרים: שיפור משמעותי ב-28 התנהגויות

על פני 28 התנהגויות מושרות-ארנס בתחומי ידע, שימוש בכלים ומדע, הממוצע עומד על 82.3% שחזור (recovery) של ההתנהגות המקורית. עבור מודלי חזית (frontier models) שמשתמשים באותו ארנס מתוכנת (evolved harness), הגרסה של "סוכן-כ-ארנס" (agent-as-harness) עוקפת את הגרסה של "קוד-כ-ארנס" (code-as-harness). הנתון הבולט ביותר: 44.3% הצלחה במשימות מאקרו ללא ארנס בפריסה, לעומת 23.3% עם ארנס רגיל, פער של יותר מ-20 נקודות אחוז.

מה זה אומר בפועל

אם השיטה מחזיקה, היא פותחת דרך לסוכנים קלים יותר לפריסה: בלי תלות בזמן ריצה בספריית ארנס ספציפית, בלי צורך לתחזק שני בסיסי קוד (אימון ופריסה), ועם גמישות גדולה יותר בסביבות מוגבלות, למשל מכשירי קצה או סביבות מאובטחות שלא מאפשרות הרצת קוד חיצוני. היכולת להעביר ידע פרוצדורלי מהארנס למשקולות המודל עצמו מזכירה זיקוק ידע (distillation) קלאסי, רק ברמת ההתנהגות הסוכנית ולא ברמת הלוגיטים.

סימני שאלה פתוחים

המאמר (arXiv:2609.24974) הוא פרה-פרינט שטרם עבר שיפוט עמיתים. הכותבים עצמם מציינים שהרובסטיות (robustness) של הגישה עדיין לא נבדקה לעומק: לא ברור איך היא מתנהגת במשימות מחוץ להתפלגות האימון, כמה הדגמות נדרשות לכל התנהגות, והאם השחזור של 82.3% בממוצע מסתיר שונות גדולה בין משימות. עד שיהיו הערכות עצמאיות ובנצ'מרקים פתוחים, כדאי להתייחס לתוצאות כהוכחת היתכנות מעניינת, לא כפתרון מוכן לייצור.