Pat Jiang a publié Harness-1 aujourd'hui, un retrieval subagent de 20B paramètres construit sur gpt-oss-20b et entraîné en reinforcement learning à l'intérieur de ce que le paper appelle un state-externalizing search harness (arxiv 2606.02373, code à github.com/pat-jj/harness-1). Les chiffres benchmark headline : 0,730 average curated recall à travers huit retrieval benchmarks couvrant web, finance, patents et multi-hop QA, battant le next strongest open search subagent par 11,4 points, avec les gains particulièrement forts sur les held-out transfer benchmarks. Les poids et le code du harness sont publics, servable via vLLM, SGLang ou Transformers. Les frontier-model searchers (beaucoup plus larges, fermés) restent compétitifs, mais un modèle open 20B qui atterrit dans cette plage avec ce genre de transfer behavior c'est le résultat qui vaut la pause.
L'insight architectural c'est la partie de cette release qui matter plus que les deltas de benchmark. L'entraînement traditionnel de search-agent traite la policy comme une fonction sur des transcripts qui grossissent : le modèle doit simultanément décider quoi chercher ensuite, se souvenir de ce qu'il a déjà vu, tracker quelle evidence est utile, garder quelles contraintes sont encore ouvertes, et rappeler quels claims ont été vraiment vérifiés. C'est beaucoup de routine state management à pousser à travers les mêmes paramètres qui sont supposés faire le reasoning réel, et à mesure que le transcript grossit le bookkeeping crowd out le reasoning. Harness-1 externalise le bookkeeping vers l'environnement à la place. Le harness lui-même maintient un candidate pool, un importance-tagged curated set, des compact evidence links, des verification records, des observations compressées et dedupliquées, et un budget-aware context rendering. La policy décide quoi faire ensuite ; l'environnement own le reste. Le RL est ensuite roulé à l'intérieur de cet environnement structuré pour que la policy puisse apprendre des comportements qui exploitent l'état externalisé. Memory OS argumentait la même shape la semaine dernière pour la mémoire d'agent générale (six couches, chacune avec un purpose distinct). Harness-1 instancie la même idée à l'intérieur d'un domaine spécifique (retrieval) avec des gains mesurés, ce qui fait du principe d'externalisation un claim mesurable plutôt qu'une simple leçon de design.
Deux fils d'écosystème à tracker. Premièrement, le pattern "subagent specialization" commence à consolider. Memory OS était la couche mémoire pour Hermes. Mellum2 se framait comme focal model dans des pipelines multi-modèles. Hermes Desktop ship cinq sandbox backends pour que chaque catégorie d'outil ait sa propre surface d'exécution. Harness-1 spécialise le slot retrieval spécifiquement, avec l'entraînement RL qui attache le modèle au harness plutôt que de produire un searcher générique. Cette direction matter stratégiquement : si le stack d'agent en production va être pluriel et persistant (où les deux dernières semaines de releases ont pointé), les components à l'intérieur vont être des specialists entraînés contre leur harness, pas des generalists. L'unité de travail rétrécit et se spécialise en même temps que l'orchestrateur fan-out. Deuxièmement, le choix de base model open est le signal silencieux. Construire sur gpt-oss-20b veut dire que Harness-1 hérite d'une posture de licence permissive, peut être self-hosted, et est reproductible par n'importe qui avec le compute. Les frontier closed searchers contre lesquels Harness-1 compare ne sont pas reproductibles dans ce sens. Pour les builders qui décident s'ils parient sur des closed search APIs ou assemblent des open subagents, le gap de +11,4 points sur la next open option matter plus que le gap au frontier, parce que l'option open c'est celle que tu peux vraiment déployer sur ton propre substrate.
Lundi matin, si tu construis du retrieval dans des workflows d'agent : essaie Harness-1 comme le search slot dans ton pipeline avant de défaulter à un LLM générique avec web tools. La force sur transfer benchmark suggère que ça ne collapsera pas quand ton domaine diffère du training set, mais vérifie avec ta propre évaluation. Si tu designes ton propre agent harness, le pattern d'externalisation d'état est la leçon d'engineering à étudier, la structure candidate-pool plus importance-tagged-curated plus verification-record plus compressed-observations est la shape concrète, et lire le paper pour le setup RL est requis si tu veux reproduire la recette. Si tu roules des closed search APIs en production, le gap au frontier closed searchers est la comparaison qui matter pour toi, mais le rythme auquel l'open retrieval ferme ce gap est maintenant visible assez pour que le calcul buy-versus-build shift sur une cadence quarterly. Et si tu watch le thread de consolidation agent-runtime, cette release fit proprement : subagents spécialisés, entraînés contre les harnesses dans lesquelles ils vivent, assis à l'intérieur de la couche runtime que Microsoft, Nous et Anthropic se battent tous présentement.