评测框架代码成研究热点：CMU 用 LLM+RL 自动改写 harness

CMU 与 Johns Hopkins 用 LLM + 强化学习自动重写 agent 评测框架 harness 代码，使其对任务类型更有效。Google、Stanford 等对重写过程做正则化以避免过拟合训练样例，Apple 则相反：LLM 足够强时 harness 代码长什么样并不重要。研究者 Burkov 汇总的这三篇工作共同追问：评测框架本身是变量还是噪声。