LongHarness 论文：GLM-5.3-Flash 在 OfficeQA Pro V2 上 exact match 从 4.4% 提升至 61.1%

大家来学习构建自定义 harness 吧！

这里有一篇令人印象深刻的论文，展示了良好的自定义 harness 对长上下文任务的影响。

在同一个模型下，GLM-5.3-Flash 在 OfficeQA Pro V2 上的精确匹配率从 4.4% 提升到了 61.1%。

作者报告称，这一提升来自 harness。

这个与模型无关的 harness 名为 LongHarness，专为 1 亿 token 及以上的语料库构建。

其工作原理如下：

标准 agent harness 将证据和结论混杂在不断增长的聊天历史中。检索不断扩展，却无法弥合真正的差距，修正也无法传递到最终答案。

LongHarness 将两者作为显式状态存储。未决的结论决定下一步检索什么，每条新证据都会确认或修正提出它的那些结论。

在同一基准测试中，它在 V1 上比 Claude Code 高出 12.1 分，在 V2 上比 Codex 高出 18.9 分。

arxiv.org/abs/2610.13075

论文讨论：academy.dair.ai/papers/longh…