# Harness² verbetert prestaties van LLM-agenten op vakbenchmarks

> Onderzoekers introduceren een recursief harness-systeem dat de scores van GLM‑5 en Gemini 3.5 Flash op drie benchmarksuites verhoogt.

Oossa · 2026-10-14 · https://oossa.com/nl/harness2-framework-improves-llm-agents-on-professional-benchmarks

Een team onder leiding van Yanfei Chen heeft Harness² uitgebracht, een plug-and-playframework dat de code waarmee agents op basis van grote taalmodellen draaien automatisch verfijnt. Het systeem werkt met twee recursieve lagen: een taakniveau waarop aanpassingen worden voorgesteld en getest zonder dat de juiste antwoorden bekend hoeven te zijn, en een harnessniveau dat van die aanpassingen leert voor toekomstige taken. Bij tests op drie vakbenchmarks leverde één recursiestap GLM‑5 en Gemini 3.5 Flash tot 11.5 punten extra op WorkBuddy‑Bench, 4.5 punten op JobBench en 11.8 procentpunt op LAB.

## De feiten

- Het artikel is op 2026‑10‑14 op arXiv geplaatst
- De verbetering bedraagt tot 11.8 procentpunt op de LAB-benchmark

## Waarom het ertoe doet

Met deze methode kunnen AI-assistenten zich mogelijk aanpassen aan nieuwe taken in de praktijk, zonder dat de code handmatig hoeft te worden afgestemd. Dat kan ontwikkelaars helpen die LLM-agenten inzetten in omgevingen die voortdurend veranderen.

## Bronnen en referenties

1. [Harness^2: Recursive Agent Harnessing for an Open World](https://arxiv.org/abs/2610.14224) – arXiv, 2026-10-14

Laatst bijgewerkt: 2026-10-14