终端智能体迎来新范式！Mid-Harness 开源：模型与测试环境边界动作缩放，Pass@1 从 50% 跃升至 68%

核心背景与行业痛点

随着 SWE-bench、TerminalBench 等真实代码工程基准的兴起，能够自主在 Linux 终端中运行编译、安装依赖并调试代码的终端智能体（Terminal Agents）成为 AI 辅助研发的核心主力。然而在现实终端中，智能体的行动具有高度的“状态不可逆性”与“副作用（Side Effects）”：一旦智能体执行了错误的包依赖覆盖、破损的系统库编译或不当的目录清理，虚拟环境便会陷入脏状态，即使大模型后续具备正确的改错逻辑也回天乏术。现行主流的测试时计算扩展（Test-Time Compute）通常采用全轨迹采样策略（如 Best-of-N 完整轨迹生成与重试），这不仅导致数十倍的 Token 资源浪费，且对于长程多步任务而言，单步执行容错率依旧极低。

架构亮点与底层机制

针对终端不可逆执行的风险，研究团队提出了创新的 Mid-Harness 架构，将测试时算力精准调度至“生成模型与执行环境之间的分界线”：

1. 动作级边界采样与阻断拦截（Action-Level Boundary Sampling）：智能体动作生成器（Generator）与底层系统测试床（Harness）完全解耦且保持原样。Mid-Harness 在命令被投递给 Bash 终端前进行拦截，实时对候选动作进行并行微采样（如并发生成 4~8 条候选指令）；
2. 动作级严密验证机制（Candidate Action Verification）：设计轻量级判别器与成对对比机制（Pairwise Verification），评估各候选命令的潜在执行风险、参数兼容性及上下文意图对齐度，剔除可能引发系统污染的危险分支；
3. 强验证器知识向弱模型蒸馏：研究发现，当由更强模型（如 GPT-5.6 Sol）担任动作验证器时，能充分激活生成模型的优质解；通过将强验证器的判别偏好蒸馏至小尺寸模型（如 TMAX-9B），小模型自身即可担任高精度成对验证器；
4. 算力效率倍增的“动作+轨迹”联合缩放（Action-Trajectory Joint Scaling）：将动作级微缩放与宏观轨迹重试混合调度，相较于纯粹盲目扩展全轨迹，用极低的 Token 成本实现了更高阶的成功率曲线。

权威 Benchmark 与实测跑分对比

在权威终端智能体测试基准 TerminalBench-Lite 以及多套真实开源任务上的对照实验证明了 Mid-Harness 的突破性实力：

1. Pass@1 成功率暴增 18 个百分点：在 TerminalBench-Lite 上，以 TMAX-9B 作为基础动作生成器，在配置 8 个动作候选采样时，智能体的 Pass@1 从基线的 50.00% 飙升至 68.03%；
2. 极小算力代价击败全轨迹采样：在相同或更低的 Token 消耗预算下，Mid-Harness 动作级缩放的任务完成度系统性超越了生成 4~8 条完整轨迹的传统 Best-of-N 基线，首轮命令执行成功率（First-Try Command Success）提升超过 32%；
3. 跨 Harness 与跨模型普适性验证：在切换不同底层底座模型与跨多种沙箱测试环境时，Mid-Harness 均展现出稳定的无缝增益，证实了动作边界防御对终端智能体的关键价值。

开发者实战落地与开箱指南

Mid-Harness 的设计理念为打造生产级 Coding Agent（如 Devin、Cline、OpenHands、Claude Code）提供了极具工程价值的架构升级范例。开发者无需重训底层核心推理模型，仅需在 Agent 的工具调用网关（Tool-Use Gateway）与 Bash 命令执行器之间，轻量接入 Mid-Harness 动作采样探针与成对验证逻辑，即可在代码重构、依赖升级与系统部署等关键任务中，筑起一道高可靠的“执行前防火墙”，大幅降低破坏性误操作率并显著推高复杂任务通关率。