新智元报道
AI完成任务之后，还能留下什么？
北京航空航天大学、香港中文大学和新加坡国立大学的研究团队最近发布了OmniHarness，给出的路径是：让视觉智能体主动练习、检查结果，再将有效流程留下。
面对下一个需求，AI手里能多一份经过验证的方法。
论文全文：https://arxiv.org/abs/2609.16057
项目主页：https://omniharness.github.io/
代码与运行说明：https://github.com/OmniHarness/OmniHarness
创意任务解决率95%
ComfyBench创意任务中，OmniHarness达到95%，超过表中最佳对照SymbOmni27.5个百分点。采用Codex GPT-4o配置时，总体解决率为92.5%。
表中的Pass看流程能否执行，Resolve看输出能否满足任务要求。
OmniHarness两种配置的Pass均为100%，ComfyMind和SymbOmni也已做到。区分它们的重点，是可运行的流程交出了多少合格结果。
将推理骨干同样设为GPT-4o，OmniHarness总体为89.5%，ComfyMind为83%；创意任务上，两者分别为95%与57.5%。
这让经验如何被调用、工具如何被组织，成为模型能力之外值得观察的因素。
采用Codex规划后，总体由89.5%升至92.5%，复杂任务由76.7%升至83.3%。不同规划配置，对应着不同的多步任务表现。
优势也有范围：复杂任务的83.3%仍未超过ComfyMind的85%，并非所有子集都领先。
这些成绩，落在怎样的画面里？
输入可以简单到一张花朵涂鸦。
涂鸦被重绘为写实红花，其风格又被用于生成一片花田。
两次生成通过中间图像连了起来。
换成四格漫画，任务变成讲完整个周日早晨：醒来、看手机、发现是周日，继续躺平。动作与文字都要服务剧情。
换成海报和书封，主题、标题、版式又构成一组需要同时满足的要求。
餐桌编辑则更细：叉子要移除，或替换成勺子，旁边的食物、杯子与桌面布局还得尽量保留。
改好目标，也要顾及周围。
做成一次之后，怎样留住经验？
创作需求总在变。红花可能换成其他主体，重绘之后可能还要调整布局。一次成功怎样帮助下一次？
OmniHarness采用符号策略学习，将验证成功的流程整理成可用于一类任务的策略。
借花田任务理解：花朵与颜色可以替换，而先重绘草图、再借参考生成新画面的连接方式，可以成为可调整的方法。
保存的策略包含工作流模板、适用条件和资源依赖，当前图片、具体描述等实例输入则被抽离。
后续调用先检查是否适用，再绑定新输入，按要求调整步骤或组合多条策略。
出题、检查、积累
经验怎样转起来？
第一步，把练习选在值得探索的地方。
自主练习发生在下游任务明确之前。
只做熟悉的题，难以补齐空缺；挑战太远，又缺少方法支撑。系统结合练习记录与现有能力，让探索有迹可循。
每轮默认生成10道候选题，以新颖性和能力边界评分的乘积决定练哪一道：
本轮候选任务组成集合。
衡量是否少有练习，反映当前能力是否为探索提供适度支撑。
同类情境练得越多，新颖性得分越低：
包含任务需要的能力，记录相应“情境—能力”的练习次数。图生图以源图区分情境，文生图共享一个标记。
得分按所需能力取平均，避免能力项列得多就自然占优。
每项能力由适用、未停用流程中的最高可靠性提供支持；可靠性用95% Wilson置信区间下界估计。
整道题的能力估计取其中最低值：
这相当于先看短板：大部分步骤熟练，一处缺少可靠方法，仍会拖累整体完成。
随后把能力估计转成选题分数：
时得分达到最高；估计值趋近0或1，得分都会下降，练习因而偏向有基础但仍有挑战的任务。
表达能力支持程度，这套评分是选题启发式。
第二步，让检查跟上每次执行。
系统安排步骤和依赖，将代码编译成ComfyUI工作流，再检查流程能否运行、各步效果及最终目标是否达成。
以花田任务说明：假如红花已偏离要求，下一步继续沿用，偏差也可能进入新画面。
失败后，系统定位问题并局部修复，尽量保留已验证部分；需要时请子智能体协助，在重试预算内再次检查。
第三步，让成败都成为下一次的依据。
验证成功的流程被抽象入库，失败则记录证据、原因与修正方法。等价流程会合并，可靠性随调用更新，经验继续影响选题和执行。
策略还要接受后续检验。新的成败记录，继续影响它的可靠性与调用优先级。
经验换个使用者
还管用吗？
团队把自主练习后的策略库冻结，再适配到其他智能体的知识接口。宿主保留原有控制流程，模型也不微调。
交付的内容既有成功流程模板，也有失败证据与修正办法。其他智能体通过自身的检索、规划和执行机制使用它们。
同一份经验，让三个系统的总体解决率都提高了：
ComfyAgent由32.5%升至57.0%。
ComfyMind从83.0%提高到88.0%。
SymbOmni则由86.0%达到89.0%。
对应的创意任务增幅依次为27.5、17.5和10个百分点。
创意任务的提升均超过各自总体增幅。面对新要求，已有流程和纠错经验仍能为不同系统提供帮助。
还有一层迁移：只练过图像任务的冻结策略库，被用于视频工作流。
视频总体解决率为85.9%，高于表中最佳对照5.1个百分点；视频到视频达到80.0%，高出13.3个百分点。
其中，图像策略负责内容构建、参考保持等操作，时序处理仍交给视频专用组件，二者需经适配与组合。
一次任务结束
经验的使用才开始
这条路径同样需要付出计算成本：自主练习、多轮验证和修复都会增加开销，检索效率与推理预算仍有优化空间。
OmniHarness展示了一种积累方式：模型参数不变，可调用的方法随实践更新。
今天留下的经验，有机会成为明天处理新需求的起点。
参考资料：
https://arxiv.org/abs/2609.16057
编辑：LRST
