AutoSaddler: автоматическая оптимизация харнесса с устойчивыми обновлениями по трассам исполнения агента

Фреймит улучшение харнесса как задачу оффлайн-обучения и итеративно обновляет харнесс по сигналам отказов в мини-батчах. Сочетает диагностику трасс отказов, генерацию структурированных патчей, обращающихся с харнессом как с кодом, и выбор обновлений на основе валидации. На GAIA2 / SWE-Bench Pro / Terminal-Bench 2.0 приросты составляют 9,0 / 9,6 / 10,0 процентных пунктов соответственно. Абляции изолируют три эффективных ингредиента: глубокую отладку вместо поверхностной рефлексии, таргетированные, а не неограниченные правки, и учитывающую обобщение, а не специфичную для траектории селекцию.