Mixture of Self-Improving Branches for Agent Harness Optimization¶

复现级别：L1 核心机制诊断。 执行分支子集分化和输入路由；没有 LLM 生成 harness，也不运行 SWE-bench。

论文信息¶

字段	内容
论文链接	arXiv 2609.37834
公司/机构	原文首页未列机构（按第一作者署名单位）
首次公开日期	2026-09-29（arXiv v1）
原文开源代码	否：截至 2026-10-01 未找到原作者公开仓库
Adapter	`branch-mixture`
本地复现代码	`src/auto_research/agent_research/latest_20261001.py`

将 harness 搜索拆成多条分支，每条分支维护不同的开发子集和 proposal policy；全分支都解决的样本被移除，具有分支区分度的样本被保留，部署时由只看输入特征的 router 选择开发集冠军。

flowchart LR
  I[公开输入/当前状态] --> M[branch-mixture 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/更新状态]

原论文 Figure 1（关键图）：展示原论文的整体流程、关键阶段及其数据流向。图片来自原论文，版权归原作者所有；点击图片可查看来源。

\(J_b^t(H)=|X_b^t|^{-1}\sum_x\mathbb E[r(f_M(H,x),x)]\)。本地实现有区分度开发子集更新和不读取测试标签的线性 router。

相对 Meta-Harness，在奥数推理、Terminal-Bench 2.0、SWE-bench Lite 上分别相对提高 34.8%、11.6%、3.8%。

本地对照口径：基线为论文机制关闭或默认状态，实验组为开启对应核心算子；本批只验证不变量和状态转换，跨模型相对变化不适用。

三种子诊断见 metrics/mechanism-seeds42-44.json。diagnostic_only=true，只证明核心状态转换、梯度或调度不变量可执行，不能进入正式能力排名。

执行分支子集分化和输入路由；没有 LLM 生成 harness，也不运行 SWE-bench。