小模型干不成活？两篇论文都说先查 harness

agent 项目跑不动，多数人的第一反应是换更大的模型。10 月 1 日提交到 arXiv 的两篇论文给出了一致的另一种答案：先查 harness 与评测配置，问题多半在那儿。

Mingbird：给小模型的本地优先 harness

第一篇来自 Hao Wang 与 Ting Huang（arXiv:2610.02001）。论文的出发点是观察：2 至 9B 的开源小模型放进为大模型设计的云端 harness 里，往往干不成真活，工具预填撑爆上下文、自我修正发散、工具演示循环、任务被静默放弃，这些锅是 harness 的，不是模型的。Mingbird 是一个面向 Windows 加 Ollama 的本地优先 harness，用十项机制对症下药：字节级的净零预填预算、完成任务前重读任务原文的收尾闸门、签名级循环检测等。

数字很直接：在作者自建的 LRAB 基准（4 个 harness、4 个模型、18 项任务）上，Mingbird 得分 0.886，goose 为 0.631，opencode 为 0.479，agent-mini 为 0.405；在 278 项任务的 tau 方基准上也拿到 0.856。作者对局限写得很诚实：自建基准、单机、单次计分，消融结果只作方向参考。代码、基准协议与评分脚本在 github.com/Mingbird/Mingbird-agent 开源。

Agents Are Systems, Not Models：评测该改口径了

第二篇来自 Luis Wiedmann、Leander Girrbach、Cordelia Schmid 与 Zeynep Akata（arXiv:2610.01618）。核心论点：agent 是可配置的系统，评测却常把它当固定模型。在四项需要 coding agent 查找并运行已发布专业模型的科研任务上，作者研究了五类配置（任务信息、推理、自验证、时间预算、骨干模型），结论条条扎心。

约 54% 的结果方差竟来自同一配置的重复运行本身，也就是说单次跑分说明不了什么；给足任务信息的影响大于时间预算与模型规模，还更省钱；配置之间会互相作用，额外时间只在信息充足或模型够强时才有用；最反直觉的一条是用提示词要求 agent 自检几乎不改变行为，给它一个专用验证工具才真的有效。作者随论文公开了基准与超过 18000 条 agent 轨迹。

放在一起读

两篇论文一个从工程、一个从评测指向同一件事：agent 的能力边界很大程度由 harness 设计与配置决定。下次小模型翻车，先别急着升模型档位，检查预填预算、循环检测、任务信息完整度与验证工具，可能一分钱不花就把问题解决了。