Harness-1: 状態外部化ハーネスで検索エージェントをRL学習、平均Recall 0.730達成

要約

検索エージェントの学習において、状態管理をポリシー内部に押し込む従来手法の問題を解消するため、環境側でワーキングメモリを保持する「ハーネス」構造が提案された。候補プールや証拠リンク、検証記録などをハーネスが管理し、ポリシーは何を検索・保持・検証するかといった意味論的判断のみを担う設計となっている。20BパラメータのHarness-1は、Web・金融・特許・マルチホップQAを含む8つの検索ベンチマークで平均Recall 0.730を記録し、次点のオープン検索サブエージェントを+11.4ポイント上回った。未知ドメインへの転移性能も高く、明示的な検索状態上でのRLがドメイン汎化に寄与することが示唆されている。