Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。

如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。

联系小助手微信：seventy3_podcast（加群/投稿论文）

今天的这篇的主题是：

Scaling Laws for Agent Harnesses via Effective Feedback Compute

Summary

智能体 Harness 通过控制工具使用、反馈机制、结果验证、记忆管理以及错误修复等环节，决定了大语言模型的实际性能。然而，传统的测试时计算开销（test-time compute）指标——例如 Token 数量、工具调用次数、运行时间（wall time）或计算成本——无法区分哪些反馈真正有助于任务完成，哪些只是冗余、无效或不稳定的交互。

我们提出 有效反馈计算（Effective Feedback Compute，EFC），作为一种基于执行轨迹（trace-level）的扩展指标，用于度量那些具有信息价值（informative）、有效（valid）、**非冗余（non-redundant）且能够被后续执行保留和利用（retained）**的反馈。

在此基础上，我们进一步提出了多个衍生指标，以适用于真实智能体运行轨迹和不同类型任务：

• Estimated-EFC：EFC 的估计版本；

• NRS-EFC：一种基于非冗余与稳定性（Non-Redundant Stable）原则构建的 EFC 指标；

• Harness 效率（Harness Efficiency，η）；

• 任务需求归一化（task-demand normalization），用于在不同复杂度任务之间进行公平比较。

我们在合成实验（synthetic）、真实数据（real）、**留出测试集（held-out）以及前瞻性实验（prospective evaluations）**中进行了全面评估。结果表明，以 EFC 为横轴建立的扩展规律，相比传统的原始计算量指标（raw compute）以及 SAS 指标，能够更准确地解释智能体性能。

具体而言：

• 在受控扩展实验中，采用 Oracle-EFC / Dtask（按任务需求归一化后的理想 EFC）作为尺度变量时，模型拟合优度达到 R² = 0.99；

• 在真实运行轨迹中，采用 NRS-EFC / Dtask 时，拟合优度仍达到 R² = 0.93；

• 相比之下，传统原始计算量指标与性能之间几乎不存在相关性，甚至出现负相关。

最后，我们提出的系统 \ours 将 EFC 作为现有 Harness 的一个**协同控制层（companion control layer）**进行集成。在相同实验设置下，该方法：

• 将平均任务通过率（pass rate）由 61.2% 提升至 68.2%；

• 同时将平均原始计算成本由 213.8 降低至 85.1。

这些结果表明，Harness 的有效扩展并不依赖于投入更多原始计算资源，而是依赖于能够持续保留、满足任务需求的高质量反馈（durable, task-sufficient feedback）。因此，相比单纯增加计算量，提升反馈质量与反馈利用效率才是推动智能体性能扩展的关键。

原文链接：https://arxiv.org/abs/2605.29682