Hugging Face、LLM のハルネス最適化評価ベンチマーク「HarnessOpt-Bench」を公開
本文の状態
日本語全文を表示中
詳細モードで約2分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Hugging Face Daily Papers
Hugging Face は LLM の性能がハルネスに依存することに着目し、AI による改善を評価する共通ベンチマーク「HarnessOpt-Bench」を発表した。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るAI深層分析を開く2026年8月8日 00:58
AI深層分析
キーポイント
ハネス最適化の重要性と課題
LLM の能力は重みだけでなく、周囲のプロンプトやコードからなる「ハネス」に依存するため、AI による自動的なハネス最適化が重要となるが、評価基準が欠如していた。
HarnessOpt-Bench の仕組み
このベンチマークは、LLM がシードハネスを編集し、評価フィードバックを得ながら最終候補を提名するプロセスを、信頼された実行環境内で厳密に測定するものである。
実験結果と知見
5 つの最先端 LLM を対象とした 111 回の評価では、最適化モデルがコードハネスの違いで明確に分離し、ネイティブハネスが常に優位とは限らないことが示された。
重要な引用
This makes automated harness optimization -- the iterative and evaluation-guided improvement of a harness by an AI system -- both an important route to improving AI systems and a demanding capability for AI systems themselves.
We introduce HarnessOpt-Bench, a benchmark for end-to-end harness optimization under expensive and stochastic evaluation.
編集コメントを表示
編集コメント
この研究は、AI エージェントの性能評価において「モデルそのもの」から「運用環境(ハネス)」へと視座を移す重要な転換点を示している。実務においては、単に高性能なモデルを選ぶだけでなく、それをどう構成するかが成否を分けるという現実を裏付けるデータとなっている。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
LLM がエージェントシステムにますます組み込まれる中で、その能力はモデルの重みだけでなく、それを囲む「ハネス」——プロンプト、ツール、制御フロー、メモリ、そしてオーケストレーションコード——にも依存するようになっています。このため、AI システム自身が反復的かつ評価に基づいてハネスを改善する「自動ハネス最適化」は、AI システムの性能向上への重要な道であると同時に、AI 自体にとって高度な能力要件でもあります。
しかし現在、最先端 LLM がこのタスクでどれほどよく機能するかを測定するための共通プロトコルは存在しません。そこで私たちは、「HarnessOpt-Bench」というベンチマークを発表します。これは、評価コストが高く確率的な変動がある環境における、エンドツーエンドのハネス最適化を評価するものです。
最適化を行うのは、コーディングハネスと組み合わされた LLM です。このオプティマイザーは、ターゲットエージェントの初期ハネス(シード)、評価からのフィードバック、そして固定された評価予算を受け取ります。そしてハネスを編集し、最終候補を提示します。この候補は、検索中にアクセスできないテスト用データセット上で、初期ハネスに対する正規化された改善度合いによってスコアリングされます。
信頼できる実行環境(TEE)が評価の境界線を維持し、ターゲットエージェントのリソース使用量を計測するとともに、監査用に候補バージョンを保存します。私たちは、4 つの異なる下流タスクにおいて、共有コーディングハネスと各モデル固有のネイティブハネスの両方で、5 つの最先端 LLM をオプティマイザーとして評価しました。合計 111 回のスコア付き実行が行われました。
実験結果から、最適化モデルはコード実行環境(ハルネス)を介して動作するものよりも、より多くの要素を分離していることが示されました。また、ネイティブなハルネスが常に優れているわけではなく、タスクやシードの条件によって得られる効果には大きなばらつきがあることも明らかになりました。
これらの結果は、ハルネス最適化が測定可能で識別力のある能力であることを裏付けるものであり、さらなる改善の余地が大きいことを示しています。
原文を表示
As LLMs are increasingly deployed within agentic systems, their capabilities depend not only on the model weights but also on the harness: the prompts, tools, control flow, memory, and orchestration code surrounding them. This makes automated harness optimization -- the iterative and evaluation-guided improvement of a harness by an AI system -- both an important route to improving AI systems and a demanding capability for AI systems themselves. Yet the community lacks a common protocol for measuring how well frontier LLMs perform at this task. We introduce HarnessOpt-Bench, a benchmark for end-to-end harness optimization under expensive and stochastic evaluation. An optimizer, an LLM paired with a coding harness, receives a target agent's seed harness, graded evaluation feedback, and a fixed target-evaluation budget. It edits the harness and nominates a final candidate, which is scored by its normalized gain over the seed on a held-out test partition that remains inaccessible throughout search. A trusted execution environment enforces the evaluation boundary, meters target-agent resource use, and preserves candidate versions for audit. We evaluate 5 frontier LLMs as optimizers both under a shared coding harness and under their native harnesses across 4 downstream tasks, over 111 scored runs. Experiment results show that optimizer models separate more than the coding harnesses they act through, native harnesses are not consistently superior, and gains vary substantially across tasks and seed regimes. These results establish harness optimization as a measurable and discriminative capability with large space for improvement.
関連記事
News to Guide
ニュースの次に確認する
発表内容を、現在の料金や仕様と照らし合わせられる関連ガイドです。
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み