JIT-Agent 论文提出按需生成任务架构，小模型表现可超越超大模型

研究团队于 2026 年 8 月在 arXiv 发布论文《JIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution》，提出一种可按需即时生成并演进任务脚手架（harness）的智能体架构。

• JIT-Agent 将智能体结构解耦为记忆、规划、动作协议与工具编排四大模块，打破传统固定脚手架针对不同任务适配性不足的问题。
• 系统采用 Evo-GDPO 强化学习演进算法，在任务执行过程中依据反馈信号动态修复脚手架，实现运行时自我调整。
• 实验数据显示，采用定制脚手架的中小规模模型在 DeepSearchQA 等基准测试中得分达到 85.1，超过了固定脚手架下超大模型的 76.0 得分，同时平均 API 成本降低约 36%。
• 影响/看点：该成果表明合理编排的智能体外周架构可成为独立于模型参数规模的性能增益来源，但即时生成与动态演进带来的搜索延迟可能影响强实时任务的表现。
• 资料依据：
• arXiv（2026-08-28）：https://arxiv.org/abs/2608.25593
• X：Rohan Paul（2026-09-02）：https://x.com/rohanpaul_ai/status/2095036248918548812

本内容由 AI 生成，仅供参考，请注意甄别