LongHorizon-Harness: Advancing Long-Horizon Agents for Real-World Tasks

📄 arXiv: 2608.01964v1 📥 PDF

作者: Ziyu Ma, Hailang Huang, Shun Zou, Yong Wang, Shidong Yang, Yiming Hu, Fei Wei, XiangXiang Chu

分类: cs.CV

发布日期: 2026-08-03

备注: 29 pages

💡 一句话要点

提出LongHorizon-Harness以解决长时间任务状态管理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 长时间任务 状态管理 大型语言模型 任务执行 智能代理

📋 核心要点

  1. 现有的长时间任务执行方法在状态管理上存在困难，导致错误评估影响后续决策。
  2. 本文提出LongHorizon-Harness，通过显式管理任务状态并使用独立验证的事实进行更新，解决了状态跟踪问题。
  3. 实验结果显示，LongHorizon-Harness在多个基准测试中显著提升了模型性能，Qwen~3.7-Plus的表现从51.8%提升至80.7%。

📝 摘要（中文）

大型语言模型（LLM）代理越来越多地承担需要持续推理、工具使用和多步骤修订的长时间任务。然而，现有的代理框架在执行任务、管理任务状态和完成评估时，难以跟踪状态，导致错误的自我评估影响后续决策。为此，本文将长时间执行重新定义为任务状态管理问题，提出了LongHorizon-Harness。该方法在执行外部显式维护任务状态，并仅通过环境中独立验证的事实进行更新。其管理-执行-审计（MEA）循环使用管理器维护任务状态并确定下一个子任务，使用新上下文执行器执行任务，并通过只读审计员在下一轮之前验证环境状态。LongHorizon-Harness在多个基准测试中显著提高了模型性能。

🔬 方法详解

问题定义：本文旨在解决长时间任务执行中状态管理困难的问题。现有方法在任务执行过程中难以准确跟踪任务状态，导致错误的自我评估影响后续决策。

核心思路：LongHorizon-Harness通过将任务状态管理与执行过程分离，显式维护任务状态，并仅通过环境中独立验证的事实进行更新，从而提高了状态跟踪的准确性。

技术框架：该方法采用管理-执行-审计（MEA）循环架构。管理器负责维护任务状态和确定下一个子任务，执行器在新上下文中执行任务，审计员在下一轮之前验证环境状态。

关键创新：LongHorizon-Harness的核心创新在于将任务状态管理与执行过程分离，避免了错误评估的传播。这一设计与现有方法的本质区别在于其显式的状态管理机制。

关键设计：该方法使用轻量级的AgentAdapter，支持不同模型和框架的互换，而无需修改其原生代理循环。具体参数设置和损失函数设计未在摘要中详细说明，需参考原文获取更多细节。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

LongHorizon-Harness在多个基准测试中表现出色，Qwen~3.7-Plus在WeaveBench上的准确率从51.8%提升至80.7%，在Terminal-Bench~2.1上从69.7%提升至77.2%，在OSWorld~2.0上从2.8%提升至8.3%。Claude Opus~4.7在OSWorld2.0子集上的表现也从20.0%提升至34.3%。

🎯 应用场景

LongHorizon-Harness的设计使其在需要长时间推理和多步骤决策的实际应用中具有广泛的潜力，如自动化客服、智能助手和复杂任务规划等领域。其显著的性能提升将推动这些领域的智能化进程，提升用户体验和效率。

📄 摘要（原文）

Large language model (LLM) agents increasingly undertake long-horizon tasks that require sustained reasoning, tool use, and revision across many interdependent steps. However, existing agent harnesses maintain task execution, task state, and completion assessment within a growing context, making the state difficult to track and allowing incorrect self-assessments to propagate into later decisions. We reformulate long-horizon execution as a task-state management problem and propose LongHorizon-Harness, which maintains the task state explicitly outside execution and updates it only with facts independently verified from the environment. Its Manage-Execute-Audit(MEA) loop uses a manager to maintain the task state and determine the next subtask, a fresh-context executor to perform it, and a read-only auditor to verify the resulting environment state before the next round. A lightweight AgentAdapter supports interchangeable model and harness backends without modifying their native agent loops. LongHorizon-Harness improves Qwen~3.7-Plus from 51.8% to 80.7% on WeaveBench, from 69.7% to 77.2% on Terminal-Bench~2.1, and from 2.8% to 8.3% on OSWorld~2.0. It also raises Claude Opus~4.7 from 20.0% to 34.3% on an OSWorld2.0 subset, demonstrating consistent gains across models, harnesses, and interaction domains.