LongHorizon-Harness：经理、执行者、审计员三分权，只把审计过的事实写进任务状态

执行者说做完了不算，审计员看过环境才算

3 分钟版

问题　现有外壳把任务执行、任务状态和完成评估都放在一个不断增长的上下文里，状态难以追踪，错误的自我评估会传给后续决策。

思路　Manage-Execute-Audit 循环：经理维护结构化任务状态（需求、产物、事实，各带完成 / 待办 / 受阻 / 不可信标记）并给出下一个子任务契约；执行者在全新上下文中执行，原始轨迹用完即弃；只读审计员独立检查环境，审计报告是跨轮次的唯一记忆。AgentAdapter 让 Claude Code、Codex CLI 等后端可以直接接入。

结果　Qwen 3.7-Plus：WeaveBench 51.8% → 80.7%，Terminal-Bench 2.1 69.7% → 77.2%，OSWorld 2.0 完整完成率 2.8% → 8.3%；Claude Opus 4.7 在 34 题子集上 20.6% → 35.3%（作者自报）。

所以呢　长时程能力不只由模型决定，也由组织、验证并把局部能力转成端到端完成的外壳决定；独立审计是主要的额外成本，也是主要的收益来源。

关键数字

• 80.7% WeaveBench 通过率（Qwen 3.7-Plus）（§3.2）
• 35.3% OSWorld 2.0 子集完整完成率（Claude Opus 4.7）（Table 3）
• 77.2% Terminal-Bench 2.1 成功率（Qwen 3.7-Plus）（§3.2）
• 3.6× OSWorld 2.0 上的输出 token 倍数（§3.3）

局限与疑问

• 部分基准 token 消耗成倍增加。
• 部分对照数字引自排行榜。
• Opus 实验只覆盖子集。
• 结果为作者自报。

arXiv 摘要页 · PDF