Mid-Harness 通过动作采样与验证提升终端智能体执行可靠性

Mid-Harness 研究在模型与 harness 边界分配测试时计算，以在执行前采样并验证候选动作，提高终端智能体的动作可靠性和轨迹成功率。使用 TMAX-9B 生成器时，弱验证下更多动作采样收益有限；在 TerminalBench-Lite 上，GPT-5.6 Sol 验证器配合 8 个采样动作将 Pass@1 从基础智能体的 50.00% 提高到 68.03%。