Harness-1 发布：20B 参数检索子智能体，用强化学习在状态化搜索框架中训练，开源权重和代码

一句话看懂

Harness-1 是一个 20B 参数的开源检索子智能体，通过将搜索簿记移出策略网络、放入状态化框架，在 8 个基准上平均 curated recall 达到 0.730，超越其他开源模型 11.4 分，仅落后于闭源的 Opus-4.6。

详细发生了什么

伊利诺伊大学厄巴纳-香槟分校、UC Berkeley 和 Chroma 的研究团队提出了 Harness-1，一个基于 gpt-oss-20b 的 20B 参数检索子智能体。核心创新是“状态化认知卸载”：将搜索过程中的候选池、重要性标记的精选集、证据图和验证记录等簿记工作交给环境（harness），而策略网络只负责语义决策——搜索什么、精选哪些文档、验证哪些声明、何时停止。

Harness-1 使用 8 个工具：fan_out_search、search_corpus、grep_corpus、read_document、review_docs、curate、verify 和 end_search。训练分为两步：先用 GPT-5.4 生成的 899 条轨迹进行 SFT，再用 on-policy CISPO 进行强化学习，奖励函数包含发现、选择和工具多样性奖励。训练仅使用 SEC 查询，但效果泛化到其他领域。

在 8 个基准（涵盖网页、金融、专利和多跳 QA）上，Harness-1 的平均 curated recall 为 0.730，比第二名开源模型 Tongyi DeepResearch 30B 高出 11.4 分，仅落后于闭源模型 Opus-4.6（0.764）。在未见过的基准上提升更大（+17.0 分 vs 源任务 +7.9 分），表明学到的搜索操作具有泛化性。权重和代码已开源，支持 vLLM、SGLang 或 Transformers 部署。

中文圈视角

Harness-1 对中文用户有几点值得关注：

开源可复现：权重和代码完全公开，国内开发者可以直接在本地或云服务器上部署，无需依赖闭源 API。这对于需要定制化检索场景的团队（如法律文书检索、学术文献综述）尤其有价值。
与国产模型的对比：论文中对比了 Kimi-K2.5（0.647 curated recall），Harness-1 表现更好。但 Kimi 等国产模型在中文场景有天然优势，而 Harness-1 目前主要针对英文数据。国内团队可以借鉴其“状态化框架”思路，在国产基座模型（如 Qwen、DeepSeek）上复现类似方法，可能提升中文检索效果。
应用场景：Harness-1 适合证据型检索，例如金融文档分析、专利检索、多跳事实核查。中文用户在做类似工作时，可以尝试用 Harness-1 作为 RAG 系统的检索模块，替代传统的向量检索或 BM25。
监管与合规：由于是开源模型，数据可以完全本地处理，避免数据出境风险。对于金融、法律等对数据安全敏感的行业，这是一个优势。

几条值得记住的细节

Harness-1 的精选集上限为 30 篇文档，重要性标签分为 very_high、high、fair、low 四级。
训练仅使用了 4,352 个唯一项目，远少于许多基线模型。
工具多样性奖励是关键：没有它，模型会重复搜索，curated recall 仅 0.53；加上后提升至 0.60。
证据图通过正则表达式提取实体，而非完整的实体链接，可能存在精度损失。
权重和代码已开源：arXiv:2606.02373。

一句话总结

Harness-1 证明将检索簿记外置能显著提升开源模型的搜索质量，中文开发者可直接复用其框架和代码。