huggingface.coが2026年11月5日(現地時間)付けで報じたところによると、新たな訓練手法「ハーネス-S (Harness-S)」が発表された。これは、エージェント訓練において、基盤となる実行システムでの失敗を、近縁の補助ハーネスから学習信号を回収することで克服し、単一のポリシーにその能力を転送する。これにより、訓練されたポリシーは元の基盤ハーネスにおいて、ポリシー単独の訓練を大幅に上回る性能を示すという。
Harness-Sは、共通の基盤から派生したハーネス進化が持つ局所性、補完性、非定常性という特性に着目している。基盤ハーネスでの初期試行が全て失敗した場合にのみ、あらかじめ形成された再利用可能なシブリング・ハーネス・プール (Sibling Harness Pool)が活用される。
この手法ではディレクショナル・ハーネス・エボリューション (Directional Harness Evolution)により、特定の修復方向を持つ特化型シブリング・ハーネスが開発され、ポリシー訓練中は固定される。失敗した強化学習の軌道は、選択された補助ハーネスの下で生成された新たなロールアウトに置き換えられる。アダプティブ・ハーネス・ルーター (Adaptive Harness Router)がハーネス行動プロファイルと複数のLLM (大規模言語モデル) による投票を用いて最適なバリアントを選択し、ポリシーの学習に合わせてプロファイルが更新される。
実験では、AppWorld、SWE-Gym、DBBenchといった環境でHarness-Sを用いて訓練されたポリシーが、元の基盤ハーネスに戻された際に、ポリシー単独の訓練を大幅に上回る性能を示した。具体的には、Qwen3.5-9B AppWorldにおいて、Pass@3はプレーンなGRPOの64.89%から72.52%に向上した。行動分析とホールドアウトケースは、ハーネスによって引き出された行動がポリシー自体に転送されることを支持している。ルーターをランク-1 (Rank-1) 推論に再利用することで、同じ実行者ロールアウト数で追加の性能向上も得られる。
参考: huggingface.co (アーカイブ) — 2026年11月6日 05:22 (JST)
原文ハイライト"the trained policy substantially outperforms policy-only training when returned to the original base harness."