Четене, писане, bash. Три команди и една сесия. Това е целият „агент“, срещу който авторите пускат най-сложните отворени системи за автономно машинно обучение, с оркестратори и подагенти. И той не губи.
Факт
Фактите: през октомври 2026 г. Apple Machine Learning Research публикува статията „How Much of a Harness Does a Strong Agent Need for Autonomous ML Engineering?“ от Kirill Brilliantov, Alejandro Hernández-Cano и Emmanuel Abbé (EPFL; Hernández-Cano е работил по нея, докато е бил в Apple). В arXiv е подадена на 30 септември 2026 г. Авторите сравняват съвременните агенти за автономно машинно обучение, които стъпват на все по-сложна машинария (многоагентни оркестратори, отделни подагенти за извличане), с по-примитивен coding agent, при който моделът има пряк достъп до средата през четене, писане и bash. Изводът: при равен времеви бюджет и същия frontier модел-гръбнак най-добрите отворени „harness“-и не дават предимство пред една сесия на минимален coding agent; гръбнакът е главният двигател на резултата. Чрез серия систематични опити, в които махат пласт по пласт, авторите твърдят, че пластовете машинария стават излишни в режима на coding agent, и заключават, че усилието по ръчно строени скелета около силни модели се отплаща зле за текущите бенчмаркове по машинно обучение (MLE).
Чакай малко, преди да изтриеш оркестратора си. Изводът е ограден два пъти: „текущи MLE бенчмаркове“ и „равен времеви бюджет“. Това е автономно машинно обучение, задача с ясен резултат и ясно мерене. Твоят агент, който пише оферти и говори с клиенти, не е в тая извадка, и статията не твърди нищо за него.
Но посоката боли. Цял бранш в момента строи надстройки: подагенти, памет, маршрутизатори, рецензенти, и тази седмица излязоха още такива. А тук идва статия през Apple, която казва: при силен модел това е тежест, не крила. Пластовете са измислени, за да пазят от слаб модел. Моделът вече не е слаб, а пластовете останаха.
Скелето е строено за модел, който вече не съществува.
Какво правим ние с това: всеки пласт в нашите агенти трябва да докаже, че носи резултат при равно време, срещу голата сесия със същия модел. Не докаже ли, пада. Статията дава метода, а числата за твоята задача ги вадиш сам, защото никой друг няма да ги извади за теб.
Източници
Apple Machine Learning Research - How Much of a Harness Does a Strong Agent Need for Autonomous ML Engineering?, 10.2026arXiv - How Much of a Harness Does a Strong Agent Need for Autonomous ML Engineering? (2609.40303), 30.09.2026Визуалът към статията е генериран код-арт, без чужди изображения.