MILO：基于编排式多智能体进化的智能体框架自动发现 MILO: Automated Harness Discovery via Orchestrated Multi-Agent Evolution
自进化的多智能体搜索自动重写智能体 harness，三大基准全面刷新 SoTA
前置知识
Harness（智能体框架/脚手架）
Harness 是包裹 LLM 的软件层，负责控制流与环境交互：执行模型提出的动作、管理提示词、工具、上下文与记忆，并处理派生子智能体、拦截工具调用、验证输出、决定何时停止等脚手架逻辑。它与模型权重完全解耦，通常是一个带 build_agent 入口的可运行 Python 程序。论文把智能体形式化为 $A = \langle M, h \rangle$，即模型 $M$ 加 harness $h$，$h$ 的空间是可数无限的。
本文全部目标是自动发现更优的 $h^\star$：只有理解 harness 与模型的边界，才能理解搜索空间 $\mathcal{H}$ 的定义、变异器作用的对象，以及“禁止任务特化硬编码”这一通用性约束 $\mathcal{C}$ 的含义。
LLM 驱动的进化搜索（ES）
以进化算法为骨架、以 LLM 为变异器的搜索范式：变异器提出新候选，oracle 评分，结果引导下一轮。按优化对象分实例级（FunSearch、AlphaEvolve 为单个任务找更优解）与策略级（优化求解器本身，须跨任务分布泛化，AHD 属于后者）。按适应性又分 0–IV 五阶段：开环缩放、迭代精炼、种群搜索、按固定规则适应、以及由 LLM 重写策略的自适应。
论文用这套分类学（Tab. 1）定位自己与六条基线（GEPA、Meta-Harness、EvoX、OpenEvolve 等）的本质差异：MILO 是策略级且达到 Stage IV 自适应的搜索，理解该坐标系才能读懂其贡献声明。
岛屿模型与谱系记忆
岛屿模型把种群划分为多个孤立进化的子群（岛），各自维持独立谱系，仅偶尔交换个体，以抑制过早收敛、保留多样性。MILO 把每个岛的谱系存成节点/边带标签的树：节点记录 harness 的精度、成本、失败证据与接纳判定，边记录源代码补丁 $\delta_e$ 及其带来的 $\Delta\mathrm{acc}$、$\Delta\mathrm{cost}$；记忆只增不删，连被拒绝的候选也保留为负证据。
谱系树是 MILO 变异器的“全局视野”，是失败剪枝和“最弱种子长出最佳 harness”现象的载体；不理解其 append-only 结构就无法理解方法的核心卖点。
Pareto 支配与超体积（Hypervolume）
多目标优化中，若候选 $h$ 精度超过 $h'$ 超出容差 $\epsilon$，或两者在 $\epsilon$ 内持平而 $h$ 在所有成本轴（token、时延）上更优，则称 $h$ 支配 $h'$；非被支配集合构成 Pareto 前沿。超体积 HV 度量前沿覆盖的目标空间体积，新增候选的 $\Delta\mathrm{HV}>0$ 表示它扩大了被支配区域，即对前沿有正贡献。
MILO 的子代接纳准则就是 $\Delta\mathrm{HV}_j(h)>0$（式 7），父代选择分数 $\eta(h_1) = -\sum_{h_2} \mathrm{Dom}_{h_1 h_2}\mathrm{Sim}_{h_1 h_2}$ 也建立在支配矩阵与行为相似度上，是读懂算法五阶段的前提。
pass@k / PR@k / RR@k 评测指标
对 $N$ 个任务各跑 $k$ 次的智能体评测指标族：pass@k 只要某任务在任一次尝试中完全解出即计分；PR@k（pass rate）对所有尝试给部分得分均值；RR@k（resolution rate）统计完全解出的比例。误差条为任务聚类 95% 置信区间。长程基准如 Terminal-Bench 2.1（89 个命令行任务）以隐藏测试打分，超时按已达状态给部分分。
论文所有主表与提升数字（如 +12.0% RR@5、PR@k +14.8）都用这套指标定义，且“部分分”概念直接催生了 MILO 最佳 harness 的“脚手架地板”机制。
研究动机
现代智能体 = 模型 + harness，而 harness 工程仍是手工作坊：工程师靠人工检查失败、调整启发式，在组合爆炸的设计空间里迭代少数几个方案；Claude Code、Codex 这类生产级 harness 需要团队数月打磨，开源的 mini-SWE-agent、DeepAgents 也要持续维护。harness 的影响与模型本身相当——在 Terminal-Bench 上 GPT-5 配 Terminus-2 只解出 35.2%，配 Codex 达 49.6% 且少耗 35% tokens；且 harness 与模型强耦合，模型一升级就必须重新调参。已有的自动化尝试（AHD）依赖 LLM 进化搜索，但存在四个系统性缺陷：(1) LLM 变异器利用远多于探索，搜索多样性衰减、塌缩到少数设计变体，而长任务上的增益恰恰主要来自全局结构变异而非局部微调；(2) 失败盲视——OpenEvolve、AlphaEvolve 等只保留幸存者，失败方向被反复重试，而评估一个 harness 需数小时，每次评估都必须值回票价；(3) 搜索策略（父代选择、变异方式、保留规则）几乎全部事先固定，陷入局部最优无法逃逸，连最自适应的 EvoX 也只改父代选择这一环；(4) 几乎所有方法只优化精度，忽略 token 成本与时延，漂移向昂贵 harness——仅 EvoFlow 与 Meta-Harness 考虑 token，无一考虑时延。
本文的目标是给定黑盒模型 $M$（仅有推理接口）、初始 harness $h$ 与可选种子集 $\mathcal{H}_{init}$、按任务分布采样的基准 $\mathcal{B} = \mathcal{B}_{search} \sqcup \mathcal{B}_{val}$，MILO 要在预算 $R$（72 小时墙钟）内，于满足约束 $\mathcal{C}$ 的可数无限 harness 空间 $\mathcal{H}_\mathcal{C}$ 中搜索，输出最推进精度–成本 Pareto 前沿的 $h^\star$。约束要求候选可运行（validity）且通用（generality，禁止针对单个任务硬编码逻辑）。定量目标是在 Terminal-Bench 2.1、PaperBench-CodeDev、DeepSWE 三个长程基准上同时超越八个专家设计的 SoTA harness（Cline、OpenHands、Terminus-2 等）与六种 SoTA 进化搜索方法，覆盖前沿闭源（Opus 4.8）与开放权重（gpt-oss-120b）两种骨干，并在开放数学问题上刷新人类最好已知界，最终指向无需重训模型即可获得更强、更省、可复用智能体的愿景。
与已有工作不同的是，论文的独特切入点是“元进化”：不只进化 harness，还把搜索策略本身（谱系记忆、变异器分配、评测课程）作为进化对象，在已知 ES 中适应范围最广。三个具体设计前所未有：(1) 岛屿谱系森林以 append-only 方式保留包括被拒绝候选在内的全部历史，把失败变成负证据，反过来推动更大胆的结构重写——而 FunSearch/AlphaEvolve/OpenEvolve/GEPA 只存幸存者；(2) 各岛分配互不相同的变异器智能体（Claude Code、Codex、DeepAgents 变体共六个），把单个 LLM 的利用偏置隔离在本岛内、岛屿间只共享成功思想而从不竞争生存——实验显示最弱的种子岛反而长出全场最佳 harness（39.2% 种子→59.9%）；(3) 引入 orchestrator 智能体，在岛屿停滞时诊断四类瓶颈（干涸变异器、耗尽谱系、被挤出的小生境、整体平台期）并执行 Reassign/Graft/Speciate/Curriculum 四种干预。按论文的适应性分类学，这是首个在策略级 harness 发现中达到 Stage IV 自适应的框架。
核心方法
直觉：把 harness 工程当作可自动搜索的程序合成问题，但搜索器本身也要会学习。MILO 由内外双循环构成（图 1）。内循环是逐轮进化的主循环：$K=3$ 个岛各自从行为最不相似的三个专家种子 harness（B10 子智能体角色、B11 计划-求解门、B12 先复现-评分门）出发独立生长，每轮经历五阶段——按“支配×行为相似度”软最大采样父代、证据驱动的变异器智能体重写整个 harness、在搜索集上跑 $k=3$ 次 rollout 评估多目标适应度、以正超体积贡献 $\Delta\mathrm{HV}>0$ 决定是否接纳子代、在 held-out 验证集上监控进展并维护停滞计数器。外循环是元进化：当某岛连续 $P=3$ 轮无验证集增益，orchestrator 智能体接管，先诊断瓶颈类型（诊断 $d \leftarrow \mathcal{O}_1(\Theta^{(r)}, j^\star)$），再执行至多两种干预（$\omega \leftarrow \mathcal{O}_2(d)$），从机制上改写搜索配置 $\Theta^{(r)} = (\mathcal{F}^{(r)}, m^{(r)}, \mathcal{B}^{(r)}_{search})$。整个系统在一台 192 vCPU 的纯 CPU 机器上运行，模型推理全部走远程 API（Amazon Bedrock），单次搜索预算 72 小时，与所有基线相同。
核心创新是“失败也是证据”与“搜索策略可进化”两点。其一，与只存幸存者的既有方法不同，MILO 的谱系记忆 append-only：每次变异的补丁 $\delta_e$ 及其导致的 $\Delta\mathrm{acc}$、$\Delta\mathrm{cost}$ 都记在树边上，被拒绝的子代带 $\mathrm{Adm}(h)=0$ 留在树里。变异器由此知道哪条路已死——论文最佳 harness 的注释里就写着“向验证器提示词追加 2777 字符、得分 -0.044 被拒，此路不通”，从而避免重复失败、敢于做结构性重写而非局部润色。其二，进化搜索的策略参数通常手工固定；MILO 让 orchestrator 智能体在停滞时重写 $\Theta^{(r)}$：诊断四种瓶颈（干涸变异器→换变异器 Reassign；耗尽谱系→从强岛嫁接 Graft；小生境被挤出→物种分化 Speciate；整体平台期→换高遗憾值任务课程 Curriculum），其中遗憾值 $\rho(\tau) = \max_{h\in\mathcal{H}^+}\mathrm{Acc}(h,\tau) - \mathrm{mean}_{h\in\mathcal{H}^+}\mathrm{Acc}(h,\tau)$ 在“少数 harness 能解、多数不能”的前沿任务上最大。这把 ES 的自适应从硬编码规则（Stage III）提升为 LLM 元推理（Stage IV），也是消融中贡献最大的组件（RR@5 从 80.5% 提到 86.1%）。
方法步骤详情
每轮每岛按式 (4) $h \leftarrow m_j^{(r)}(h_{par}, \mathrm{Evid}(h_{par}, \mathcal{B}^{(r)}_{search}), \mathcal{L}^{(r)}_j)$ 执行五阶段。(1) 初始化：从种子集按行为向量 $b(h) \in [0,1]^{|\mathcal{B}_{search}|}$ 选最不相似的 $K=3$ 个 harness 各建一岛，从六个变异器的池 $\mathcal{G}$ 中随机分配；(2) 父代选择：对岛内已接纳集合 $\mathcal{H}_j^+$ 按 $\eta(h_1) = -\sum_{h_2} \mathrm{Dom}_{h_1 h_2}\mathrm{Sim}_{h_1 h_2}$ 打分、温度 $T=1$ 软最大采样——被支配次数少（利用）且行为独特（探索）者更易当选；(3) 变异：变异器是多轮编码智能体，输入为父代源码、父代失败轨迹与岛谱系的缩进树快照（含每条边的补丁与增益标签），先诊断失败模式，再从局部修补到控制流重写任选其一行动，产出满足约束 $\mathcal{C}$ 的子代，每次变异限时 45 分钟；(4) 评估：子代在搜索集每个任务跑 $k=3$ 次，记录精度、成本与证据，构造适应度向量 $F(h)$（精度 + 各成本轴经济性 $1-\mathrm{Cost}_i/c_i$，成本上限 $c_i$ 为 20M token、7200 秒）；(5) 接纳：仅当 $\mathrm{Adm}(h) = \mathbf{1}[\Delta\mathrm{HV}_j(h)>0]$（$\epsilon=0.02$ 容差、精度优先）才入树，否则以负证据身份入树；(6) 监控与编排：被接纳者重测 $\mathcal{B}_{val}$，$P=3$ 轮无提升即触发 orchestrator 诊断-干预（每次至多两种动作），并复位全部停滞计数器。
技术新颖性
与已有方法的本质区别可从四轴看。搜索空间：GEPA 只改提示词、A-Evolve 只改技能/记忆文件，MILO 重写整个 harness 文件；实验中只改提示词/评分表的方法（GEPA、ShinkaEvolve、EvoX 的最佳 harness 与种子只差提示与评分表）最多 +3.6% RR@5，而 MILO 的最佳 harness 直接重写控制流（先产出最小可用交付物、临近截止期分流、独立验证后才停止），+12.0%。证据利用：OpenEvolve/ShinkaEvolve/EvoX 只暴露父代源码加少量精英；Meta-Harness 无父代选择——所有候选都编辑根节点，连谱系树都无法形成；MILO 是唯一组合谱系历史与执行反馈的。适应性：EvoX 虽属 Stage IV 但只重写实例级策略，课程、变异器皆固定；DarwinX、ShinkaEvolve 的适应靠硬编码规则；MILO 在策略级同时重写记忆（Graft/Speciate）、变异器（Reassign）与课程（Curriculum），且 Graft 被拒后仍作为负证据留存。目标函数：仅 EvoFlow 与 Meta-Harness 考虑 token，无一考虑时延；MILO 把精度、token、时延统一进 Pareto 接纳，最终以 0.74× tokens 换 +12.0% RR@5，是唯一“又强又省”的搜索。
实验结果
(1) 主结果：Opus 4.8 骨干下，MILO 相对 Best-of-3 种子在 TB2.1/PaperBench/DeepSWE 的分辨率率分别 +12.0%（74.1%→86.1%±2.0）、+28.3%（26.7%→55.0%±5.0）、+10.3%（59.0%→69.3%±3.4）；此前最佳搜索仅 +4.5%（GEPA）、+18.3%（Meta-Harness）与 0%（无提升）。TB2.1 的 86.1±2.0 超过官方排行榜榜首 83.8±2.3，且只耗初始 harness 74% 的 tokens。gpt-oss-120b 下 MILO 的 PR@k 分别 +11.8/+8.6/+14.8 个百分点，DeepSWE 达 15.6%，约为初始 harness 的 20 倍，而所有基线 <1%；所有对比方法的最佳 harness 都比种子更耗 token（EvoX 1.46× 只换 +6.1% RR@5），MILO 却以 0.70× tokens 拿到 +10.7%。(2) 消融（Tab. 2c）：LLM 单次变异 76.4 → +变异器智能体 79.1 → +谱系记忆 79.3 → +多岛 80.5 → +orchestrator 86.1（RR@5），orchestrator 贡献最大单项 +5.6。(3) 迁移：TB2.1 上进化的 harness 免搜索直接用于更难的 Frontier-Bench，RR@3 13.8%±3.2，对 Best-of-3 10.0%、对最强 SoTA Mini-SWE-Agent 5.2%。(4) 鲁棒性：4K 输出上限使 12 个专家 harness 的 RR@5 从 70.5–75.0（128K）跌至 20.2–34.4，MILO 同条件仍进化出 81.1%，pass@5 93.2% 与 128K 持平，说明强 harness 能补偿模型弱点。(5) 机制分析（Tab. 8）：≥14/21 个失败任务死于超时归零（0 测试通过），MILO 的最佳 harness 以脚手架地板、截止期治理器、对抗验证器门三个代码级机制同时覆盖提前完工、超时、松弛验证三类失败模式，是唯一做到的搜索方法。(6) 开放数学：EinsteinArena 上刷新三个记录——Erdős 最小重叠 0.3808586→0.3808568，第一自相关不等式 1.50274365→1.50274360，第三自相关 1.45081→1.44889，全部经 arena 官方验证器复核，超越 AlphaEvolve、TTT-Discover、EvoX 的已知界。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| Terminal-Bench 2.1（89 个命令行长程任务） | RR@5 分辨率率 | 86.1%±2.0（pass@5 93.2%，PR@5 90.4%），超官方榜首 83.8%±2.3 | Best-of-3 种子 74.1%；最佳先前搜索 Meta-Harness 78.2% | +12.0%（相对最佳基线 +7.9 个百分点），tokens 降至 0.74× |
| PaperBench-CodeDev（复现 20 篇 ICML 2024 论文） | RR@3 分辨率率 | 55.0%±5.0（PR@3 88.6%±0.5） | Best-of-3 26.7%±6.0；最佳先前搜索 Meta-Harness 45.0%±2.9 | +28.3 个百分点（相对最佳基线 +10.0） |
| DeepSWE（113 个多文件软件工程任务） | RR@3 分辨率率 | 69.3%±3.4 | Best-of-3 59.0%±3.8；GEPA/EvoX 58.7% | +10.3 个百分点 |
| Terminal-Bench 2.1（开放权重骨干 gpt-oss-120b） | PR@5 / RR@5 | 57.1%±2.0 / 34.1%±3.1，tokens 0.70× | Best-of-3 45.3% / 23.4%；最佳先前搜索 EvoX 51.5% / 29.5%（且 1.46× tokens） | PR +11.8 个百分点；RR +4.6 且成本反降 30% |
| DeepSWE（gpt-oss-120b） | PR@3 部分得分率 | 15.6%±1.7 | Best-of-3 0.8%±0.6；所有进化基线 <1% | 约 20 倍 |
| Frontier-Bench（更难的 70 个任务，零搜索直接迁移） | RR@3 分辨率率 | 13.8%±3.2 | Best-of-3 10.0%±3.4；Mini-SWE-Agent 5.2%±2.8 | +3.8 / +8.6 个百分点 |
| 搜索机制消融（TB2.1，Opus 4.8） | RR@5 | 完整 MILO 86.1% | 无 orchestrator 80.5%；单岛 79.3%；平坦记忆 79.1%；LLM 单次变异 76.4% | orchestrator +5.6 个百分点（最大单项） |
| EinsteinArena 开放数学问题（实例级变体，Opus 5） | 目标函数值（越小越好） | Erdős 最小重叠 0.3808568；第一自相关 1.5027435984；第三自相关 1.4488860 | 此前最优 0.3808586 / 1.5027436492 / 1.4508066395；AlphaEvolve 0.380924、EvoX 第三自相关 1.4558 | 三项全部刷新最好已知界（第三自相关改进 1.9×10⁻³），经 arena 官方验证器确认 |
局限与改进
作者承认的：(1) 评估一个 harness 需在整个基准上跑多次 rollout，代价高昂，搜索规模受 72 小时墙钟与单机并发（每岛最多 8 个并发任务）限制，发现本身并不便宜；(2) 泛化只在与 TB2.1 同分布的 Frontier-Bench 上验证，向 PaperBench、DeepSWE 这类异域分布的迁移未测；(3) held-out 验证集最终也参与最终 harness 选型，防过拟合手段只有这一层。我自己的观察：(1) 变异器池与 orchestrator 全部依赖前沿商业编码智能体（Claude Code+Opus 4.8、Codex+GPT-5.5 及 DeepAgents 变体），发现成本隐含大量前沿模型 API 调用，在弱模型/低预算场景是否划算存疑；(2) 三个种子均属 DeepAgents 家族、搜索空间锚定在单一框架的 Python 单文件上，对 YAML 配置、多文件或跨仓库 harness 只有论证没有实验；(3) orchestrator 的诊断与“瓶颈→干预”映射靠提示词约定，误诊时缺乏纠偏或反事实验证回路；(4) gpt-oss-120b 上绝对水平仍低（TB2.1 RR@5 34.1%），说明 harness 搜索无法替代模型能力本身；(5) EinsteinArena 三项记录中两项的改进量仅 $1.8\times10^{-6}$ 与 $5.1\times10^{-8}$，虽超过 arena 的最小改进门槛，但实际科学意义有限，第三自相关的 $1.9\times10^{-3}$ 才更实质。
独立分析的弱点
弱点一：样本经济学仍然昂贵——每个候选要在搜索集全部任务上跑 $k=3$ 次 rollout，89 个 TB 任务意味着单候选数百次容器化执行；改进方向是学习廉价代理评分器或对明显劣势候选早停，把完整 rollout 留给前沿候选。弱点二：失败证据以原始轨迹形式进入变异器上下文，长任务轨迹易撑爆上下文或引入噪声，论文未报告变异器误判频率；可探索轨迹摘要器或失败聚类的结构化证据库。弱点三：岛屿数 $K=3$、耐心 $P=3$、温度 $T=1$ 等超参固定，Speciate 只增不减、岛屿数量本身未自适应伸缩，大规模运行时缺乏资源分配策略；可引入多臂老虎机动态增减岛屿预算。弱点四：Graft 的共父选择与四类瓶颈判定都由单个 orchestrator LLM 一步完成，没有诊断正确性的验证回路；可让 orchestrator 先做小规模反事实试探（如短暂换变异器试一轮）再决定干预。弱点五：课程仅按遗憾值 $\rho(\tau)$ 采样，忽略任务间相似度、评分方差与训练边际价值；可用任务嵌入做主动学习式采样，避免重复评测已收敛任务。弱点六：对 Qwen3-Coder-480B 这类弱变异器模型的角色没有单独分析，池中六个变异器的贡献分解缺失。
未来方向
作者提出的方向：(1) 递归自我改进——让智能体持续改进自己的 harness，AHD 是迈向该愿景的第一步；(2) 把策略级发现推广到其他求解器家族，如偏好优化算法与设计启发式；(3) 实例级变体（图 3）：进化“写优化器的智能体”本身，已在 EinsteinArena 初步验证并打破三项记录。基于其成果可延伸的：(1) 跨模型 harness 迁移——把强模型上发现的机制库（验证器门、脚手架地板、截止期治理器）固化为弱模型的初始种子，降低重复搜索成本，这与其 4K 输出上限实验（强 harness 补偿模型弱点）一脉相承；(2) harness 中间件组件库：谱系树中反复被独立发现的机制可沉淀为标准件，形成可复用的脚手架生态；(3) 编排策略的离线学习：积累多次 AHD 运行的（诊断，干预，结果）三元组，训练专门的编排模型替代逐次 prompt；(4) 将多目标从（精度，token，时延）扩展到安全性、可解释性、内存等轴，并研究约束 Pareto 搜索的收敛性质；(5) 遗憾值课程与课程学习/主动学习理论的联系值得形式化；(6) 在推理时缩放与 harness 搜索之间建立统一的算力分配理论。
复现评估
开源情况：正文列出 Project Page 占位但未给出明确代码开源承诺；不过论文复现材料极为详尽——变异器与 orchestrator 的完整提示词（Listing 6/7）、12 个种子 harness 与最小 harness 全文（Listing 1–5）、六条基线的 pinned 版本号与逐方法配置（App. A.3，含对 GEPA 反思小批量从 3 调到 12 这类关键细节）、MILO 最佳 harness 的完整 diff（Listing 14，RR@5 86.1）与 EinsteinArena 最优优化器代码节选（Listing 15）。硬件门槛低：单台 192 vCPU 纯 CPU 实例（1.5 TiB 内存、1 TB SSD、Docker 25），所有模型推理走 Amazon Bedrock 远程 API，无 GPU 需求。真正的门槛是预算：72 小时墙钟 × 三个基准 × 两条骨干，每岛 8 并发任务、搜索集 $k=3$ rollouts，且六个变异器与 orchestrator 全是前沿商业模型调用，粗估单次完整复现的 API 开销在数千美元量级。综合评级：中高难度——算法与工程细节披露充分、理论上一台 CPU 机器加 API key 即可复跑，但软最大采样与 orchestrator LLM 引入的随机性使逐位复现不现实，且排行榜对比数字（83.8±2.3）会随时间漂移。
论文图表
把 LLM 驱动进化搜索抽象为四个组件：记忆、父代选择、变异器、评估，并标注哪些方法在哪些组件上引入了“↻ Adapt”在线适应箭头，对应适应性阶段 0–IV。
它提供了论文的分类坐标系，直观呈现“绝大多数方法把搜索策略写死、MILO 在所有组件上自适 应”这一贡献定位，是读懂相关工作与 Tab. 1 的钥匙。
把在 Terminal-Bench 2.1 上进化的 harness 原封不动用于更难的 Frontier-Bench（70 个无 GPU 任务）：pass@3 24.3、PR@3 51.4、RR@3 13.8，对比 Mini-SWE-Agent（12.9/44.0/5.2）与 Best-of-3（21.4/48.4/10.0）。
证明进化的 harness 没有过拟合单一基准、携带的是通用机制，回应“自动搜索是否只会记题”的天然质疑。
同样的专家 harness 梯队在开放权重 gpt-oss-120b 上的成绩：各专家 harness RR@5 仅 15.5–23.4，MILO 进化出 34.1，显著领先。
补充表 6 的骨干泛化维度，说明 harness 设计结论并非 Opus 4.8 特有。