Apple研究：同等时间预算下，复杂Agent框架对ML工程任务并无优势
Apple与EPFL合作论文发现，在相同前沿LLM底座和相同时间预算下，开源最先进的多智能体框架并未跑赢一个仅用read/write/bash原语的极简编码智能体。
AI解读：这篇论文回答的问题很具体：当底层大模型已经足够强时，围绕它搭的一堆编排器、检索子智能体还有没有用。Apple和EPFL研究者的结论是，在自主机器学习工程（MLE）基准上，这些复杂机械层显得冗余。
他们的实验条件是：同样的时间预算、同样的前沿LLM底座。在这个前提下，开源最先进的harness没有比一个极简编码智能体单次会话更好，作者由此认为性能的主要驱动力来自模型底座本身。
受影响的首先是做MLE智能体的人：与其继续堆多层编排和检索子模块，不如先验证更简单的编码智能体能不能达到同样效果。不过这一结论限于当前MLE基准，论文没有说复杂harness在所有场景下都没用。
研究还指出，harness扩张的动机通常是长周期任务中进度停滞、LLM原语能力有限。但如果底座变强，这些补丁层的边际收益可能迅速下降，这是论文通过大规模消融实验提出的判断。
Apple与EPFL的研究者发表论文，研究“强智能体需要多复杂的harness才能做自主机器学习工程”。
论文的核心发现是：在相同时间预算、相同前沿LLM底座的前提下，开源最先进的harness相比一个极简harness编码智能体的单次会话，没有提供任何优势。作者因此认为，性能的主要驱动因素是底座模型本身。
研究者通过一系列大规模系统性消融实验提出，在编码智能体设定下，这些机械层变得冗余；围绕强模型手工打造更精细的harness，在当前的MLE基准上回报很差。
实验对比的设计：同等时间预算、同一前沿LLM底座
论文将两类方案放在同一条件下比较：一边是部署在复杂机械之上的现代MLE智能体，包括多智能体编排器、专用检索子智能体等；另一边是更原始但已改进的编码智能体，LLM通过read、write、bash原语直接访问执行环境。
比较条件被明确限定为相同的时间预算和相同的前沿LLM底座。作者称在这两个控制变量下，开源最先进的harness没有跑赢极简harness编码智能体的单次会话。
- 复杂harness的代表性组件：多智能体编排器、专用检索子智能体。
- 极简方案：单个编码智能体会话，LLM直接通过read、write、bash访问执行环境。
- 关键控制变量：同等时间预算、相同前沿LLM底座。
- 作者结论：性能主要驱动因素是底座模型，而非harness的复杂度。
“机械层冗余”的判断来自大规模消融实验
作者表示，他们通过一系列大规模系统性消融研究得出结论：在编码智能体设定中，这些机械层是冗余的。
论文由此给出的推论是，在当前MLE基准上，围绕强模型投入精力去精细设计手工harness，回报不佳。
研究背景提到，这类harness之所以不断扩张，通常是因为长周期循环中进度停滞、LLM原语能力有限。论文的观察是，当底座模型更强之后，这些补丁式机械的价值在实验中没有体现出来。
- 方法：大规模系统性消融研究（ablation studies）。
- 判断：编码智能体设定下，机械层冗余。
- 推论：当前MLE基准上，手工harness的投入回报差。
- 论文归因：harness扩张多源于长周期进度停滞和LLM原语有限。