这个站点包含私人录音与日记内容。输入密码后进入；当前浏览器会自动记住。
先在 clarify / merged 层保留这条内容，再提炼真实任务、状态与主题
直接看当前 lane、kind、状态和最近一步，而不是先读长解释。
Harness Eval：用Harness开启新的评测时代 Harness 在AI时代越来越重要。 因为真正让 Agent 跑起来的，不只是模型能力，还有拆任务、调工具、找证据、做验证的一整套 workflow。 但 Eval 不也是一套 workflow 吗？ 为什么 Agent 能动态规划，Benchmark 却还是固定题目、固定指标、固定分数？ 因此，我们把 Harness 搬进了 Evaluation。 让 Evaluator Agent 自己决定： 测什么、怎么测、调用哪些 skills、sub-agents 和 tools，并综合证据给出结…
capture 负责预览和溯源；真正的确认、勾选和状态变更仍落在 Todo / Today-Focus 这些真实状态源里。
这条事项当前还在 capture / clarify 预览层，先看详情和来源，再决定是否进入执行视图。
当前这条事项还没有稳定进入 strict writeback，所以这里只展示现状和下一步。
这里直接显示 summary preview 和 transcript 片段，方便你判断这条提炼是否靠谱。
Harness Eval：用Harness开启新的评测时代 Harness 在AI时代越来越重要。 因为真正让 Agent 跑起来的，不只是模型能力，还有拆任务、调工具、找证据、做验证的一整套 workflow。 但 Eval 不也是一套 workflow 吗？ 为什么 Agent 能动态规划，Benchmark 却还是固定题目、固定指标、固定分数？ 因此，我们把 Harness 搬进了 Evaluation。 让 Evaluator Agent 自己决定： 测什么、怎么测、调用哪些 skills、sub-agents 和 tools，并综合证据给出结…
Harness Eval：用Harness开启新的评测时代 Harness 在AI时代越来越重要。 因为真正让 Agent 跑起来的，不只是模型能力，还有拆任务、调工具、找证据、做验证的一整套 workflow。 但 Eval 不也是一套 workflow 吗？ 为什么 Agent 能动态规划，Benchmark 却还是固定题目、固定指标、固定分数？ 因此，我们把 Harness 搬进了 Evaluation。 让 Evaluator Agent 自己决定： 测什么、怎么测、调用哪些 skills、sub-agents 和 tools，并综合证据给出结论。 第一站，MirroS 联合国内外顶尖研究机构，以 World Model 为试验田，开源 HarnessEval。 World Model 恰好把传统评测的局限暴露得很明显：不同 case 对应不同 failure mode，需要验证的对象、证据和工具都不一样，很难被一套固定 rubric 穷尽。 所以 HarnessEval 里的 skills 不是固定检查项，而成为可以按 case 动态组合的 evaluation primitives。 评测路径本身，成为 Benchmark 的一部分。 这也是 HarnessEval 真正想做的变化： 从预先写死的 scoring pipeline， 走向可组合、扩展并持续迭代的 evaluation system。 #Harness[话题]# #AgenticAI[话题]# #Benchmark[话题]# #WorldModel[话题]# #RSI[话题]# #世界模型[话题]# #大模型[话题]# #PhysicalRSl[话题]# Harness Eval：用Harness开启新的评测时代 Harness 在... https://xhslink.cn/o/AX2XBSNy2AA 复制这段话，然后去【小红书】就能找到笔记。 resolved_url: https://www.xiaohongshu.com/explore/6a83dce3000000002701e70b xhs_capture_status: success
如果一条 capture 同时涉及多个 lane，这里可以顺手跳到其他相关 item 或 thread。