OmniHarness：基于符号策略学习的可泛化视觉生成框架 OmniHarness: Harnessing Generalizable Visual Generation via Symbolic Policy Learning

步骤一（候选任务生成）：proposer 依据 12 项能力空间 $\mathcal{G}$（6 项 T2I + 6 项 I2I）、$c_t$ 与 $S_t$，每轮生成 10 个候选任务 $\tau=(q_\tau,m_\tau,G_\tau,x_\tau)$，过滤近重复并规避失败库中的已知反模式。步骤二（任务选择）：新颖度 $N(\tau)=\frac{1}{|G_\tau|}\sum_{g\in G_\tau}\frac{1}{\sqrt{n_t(z_\tau,g)+1}}$ 奖励欠探索组合；每个所需能力取适用未停用工作流中最高的 Wilson 95% 置信下界 $\hat{b}_r(w)$（库空时先验 $\varepsilon=0.05$），估计胜任度取最弱能力 $\bar{r}_t(\tau)=\min_g r_t(\tau,g)$，可学性 $C(\tau)=4\bar{r}_t(1-\bar{r}_t)$ 在 0.5 处峰值；最终选 $\tau_t=\arg\max N(\tau)C(\tau)$。步骤三（反馈引导执行）：planner 产出有序计划 $\rho_t=(a_{t,1},\dots,a_{t,J_t})$ 并过计划验证器；writer 写出 Code-as-Policy 程序 $e_{\pi_t}$，经可逆解释器编译为工作流 $\pi_t$ 执行；四层验证覆盖计划、图有效性、逐步中间输出与最终目标；失败时 diagnoser 定位最小失败阶段、从 $F_t$ 检索补救并只修补受损组件，必要时子代理生成可复用子工作流，重试预算 4 次。步骤四（策略学习）：成功则把 $\pi_t$ 蒸馏为符号策略插入 $L_{t+1}$，$u_w\ge3$ 且 $p_w\ge0.5$ 升为 Validated，$u_w\ge10$ 且 $p_w\le0.2$ 停用；失败连同根因写入 $F_{t+1}$；curator 每 5 轮合并冗余并刷新 $c_{t+1}$。步骤五（导出）：50 轮后冻结快照 $K_{\text{inquiry}}=\text{Snapshot}(S_{N+1})$ 供下游与外部 agent 复用。

技术新颖性体现在四个方面。(1) 先练后考的自定向探究范式：以往 agent 的经验获取是响应式的，本文首次把「课程选择」形式化为 $N(\tau)C(\tau)$ 的乘积优化，且课程随 $S_t$ 演化动态自适应。(2) 保守统计驱动的可靠性治理：用 Wilson 下界而非经验成功率 $p_w$ 做任务选择，用 $u_w/p_w$ 双阈值做三级分层，防止被少量偶然成功误导——这在 agent 记忆系统中较少见。(3) 中间验证 + 局部恢复的执行设计：消融证明去掉规划 Complex Resolve 掉 28.3 个百分点、去掉中间验证 Pass 掉 25 个百分点，各环节贡献可分离、可归因。(4) 冻结快照的接口化设计：同一份 $K_{\text{inquiry}}$ 无需微调即可映射为 ComfyAgent 的 Reference 记忆、ComfyMind 的语义工作流模块、SymbOmni 的符号概念，验证了策略表示的中立性；图像-only 探究学到的 16 条 T2I + 27 条 I2I 策略还在视频任务中被调用 90 次，展示了跨框架、跨模态的双重复用。

弱点一：推理成本与延迟随任务难度陡增（Creative 子集末端 83.5 秒/任务、18.63K tokens），对实时或大规模场景不友好。改进方向：按难度自适应分配验证与重试预算、用小模型做中间输出初筛、对高频策略做检索缓存与预编译。弱点二：四层验证全部依赖 MLLM 判卷，可能把生成模型的系统性偏见内化为「验证通过」，验证器与生成器同源时失败恢复还可能陷入循环。改进方向：引入异源验证器或基于规则/信号的客观校验，并为 verifier 建立独立可靠性统计。弱点三：策略以 ComfyUI 节点图表示，生态锁定明显，换到 diffusers 等后端需重写全部模板。改进方向：抽象节点无关的中间表示（类似工作流领域的 ONNX），做多后端编译。弱点四：能力空间 $\mathcal{G}$ 人工定义 12 项能力，taxonomy 过窄限制探究上限，冷启动新领域时无既有策略。改进方向：从失败库聚类中自动归纳新能力类别，让能力空间随经验增长。弱点五：主基准趋饱和（全子集 100% Pass、GenEval 0.997），继续刷分边际信息量低，需要带噪声与歧义指令、贴近真实用户的评测检验方法价值。

作者提出的方向：更轻量的执行框架、选择性验证、自适应恢复、高效的策略检索与组合、按任务难度自适应的推理预算。基于本文成果可以延伸的方向：(1) 跨领域迁移——把符号策略学习搬到代码生成、机器人任务规划、科学实验工作流等同样存在「任务族共享结构」的领域，验证范式的普适性；(2) 模态扩展——把自定向探究的能力空间从图像系统化扩展到视频、3D 与音频，论文已观察到下游执行中自发涌现 23 条视频策略（占最终库 28.4%），值得主动设计跨模态课程；(3) 终身学习机制——目前 Suspended 只是停用，可引入遗忘、合并与冲突消解，应对长期运行中策略库的膨胀与过时；(4) 与参数化学习结合——把高可靠策略转化为微调数据或 RL 奖励信号，突破「参数冻结导致的能力天花板」；(5) 多智能体策略共享——不同 harness 之间交换符号策略并协商统一的可靠性标准，形成开放的经验市场；(6) 理论层面分析 $N(\tau)C(\tau)$ 课程的样本复杂度与收敛性质。

论文提供了项目主页与代码链接，所用六个基准（ComfyBench、GenEval、GenEval2、WISE、Reason-Edit、KRIS-Bench）全部公开。关键超参数披露完整：推理温度 0、top_p 1、重试上限 4、探究轮数 N=50、每轮 10 个候选任务、curator 每 5 轮运行、可靠性分层阈值明确，附录还公开了全部系统 prompt 与库 schema。复现门槛主要在工程与成本而非算法：需要搭建 ComfyUI 环境并安装相关节点与生成模型，购买 GPT-4o/Codex/GPT-5.5 与 Gemini API——仅 ComfyBench 200 个任务的 agent 侧开销就约 240 万 tokens（12.03K×200），加上 50 轮探究（每轮 10 个候选的生成与执行）和其余五个基准评测，总预算可观。算法本身无训练环节、消融开关清晰，对有 LLM agent 开发经验的团队而言，跑通主结果约需数天，完整复现全部消融与跨框架实验约需一至两周，难度评级为中等。