告别终端环境误毁！Mid-Harness 提出模型与沙箱边界动作扩展：前置验证机制使 TerminalBench 准确率提升 18%

核心背景与行业痛点 随着 Coding Agent 深度集成至终端与操作系统层面，智能体不再仅仅是输出只读代码，而是频繁执行 Shell 脚本、包管理安装与微服务编排。然而，基于自回归生成的智能体具备强随机性，其生成有效动作的能力无法保证动作在目标环境中的可靠性。在长程运维或编码排错中，一条看似微小但错误的终端命令（例如版本依赖不匹配的 pip install、不可逆的目录覆写或损坏端口的进程杀灭）便会使底层容器或系统陷入损坏状态，导致原本能够通过的后续步骤因环境污染而彻底崩盘。现有大多数提高成功率的方案倾向于全轨迹重试（Trajectory-level Best-of-N），但长轨迹多轮重试不仅成倍拉长耗时与 Token 账单，更难以避免相同错误在早期再次复现。 ### 架构亮点与底层机制 针对终端智能体的这一致命脆弱性，研究团队提出了 Mid-Harness 框架，核心理念是将测试期计算资源（Test-Time Compute）精准倾斜到“策略模型（Generator）与运行沙箱（Harness）之间的临界边界”。系统工作机理包括： 1. 前置动作采样与审查：在执行任一终端命令之前，Mid-Harness 在模型端并行采样多个可能的操作候选（Action Candidates）； 2. 轻量验证器（Verifier）过滤：引入专门的动作验证模块，评估各候选命令在当前终端状态下的语义安全性、语法正确性与预期副作用； 3. 成对比较机制（Pairwise Verification）：在生成器与验证器参数同构场景下，通过对候选动作进行轻量级两两配对推演，大幅提高高价值动作的选择信噪比； 4. 知识蒸馏提效：将强验证器的审查逻辑反哺蒸馏至轻量级模型中，使得端侧模型在保持原有轻巧参数的同时，获得媲美顶尖验证器的一线裁决能力，全流程无需侵入修改底座生成器模型权重或下游沙箱逻辑。 ### 权威 Benchmark 与实测跑分对比 研究团队在面向命令行复杂运维的权威评测基准 TerminalBench-Lite 上展开了全方位消融与对比实验： 1. 通过率大幅跃升 18%：以 TMAX-9B 作为动作生成器底座，在接入基于 GPT-5.6 Sol 的轻量动作验证器并进行 8 个动作候选采样时，Pass@1 准确率从基线 Agent 的 50.00% 直拉至 68.03%，绝对增益达 18.03 个百分点。 2. 同模型成对验证表现优异：当采用同参数规模的 TMAX-9B 自身兼任验证器时，成对比较验证（Pairwise Verification）在多种备选机制中取得最优表现，且在吸收蒸馏能力后进一步推高指标。 3. Token 开销显著低于全轨迹采样：对比“端到端生成完整轨迹并重试”的传统 Test-Time Scaling 策略，Mid-Harness 在达到相同甚至更高准确率的前提下，预估 Token 开销减少超过 35%，打破了长程推理智能体必须依靠巨量算力堆砌轨迹的陈旧假设。 ### 开发者实战落地与开箱指南 Mid-Harness 的设计理念为自主编程智能体开发者提供了极具价值的落地蓝图。对于正在开发终端 Agent（如基于 Electron、VS Code 插件或独立 CLI 的 Coding Assistant）的团队，无需重训大模型，只需在智能体执行层（如 MCP 工具调度器与 Bash 执行器之间）插入一层 Mid-Harness 前置拦截器，配置关键高危命令检查与语义沙箱预判，即可立竿见影地杜绝依赖污染与系统破坏，显著增强多轮长程自主研发任务的鲁棒性。