Lo esencial antes de invertir más tiempo.
Propone que el harness de un agente —el programa que prepara contexto, llama herramientas, verifica resultados y recupera errores— pueda modificarse durante la propia evaluación. TTHE usa las trazas no etiquetadas producidas por el agente para evolucionar su flujo de ejecución en tiempo de prueba.
Table 1 sweeps the number of proposers per round G against the maximum number of generation rounds R .
Resultado reportado con fuente enlazada · 6 localizadores disponibles.La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 5 Experiments.
Comparar la métrica principal de la fuente junto con calidad, coste, latencia y tasa de errores.
Propone que el harness de un agente —el programa que prepara contexto, llama herramientas, verifica resultados y recupera errores— pueda modificarse durante la propia evaluación. TTHE usa las trazas no etiquetadas producidas por el agente para evolucionar su flujo de ejecución en tiempo de prueba.
Qué está reportado y qué conviene comprobar.
Table 1 sweeps the number of proposers per round G against the maximum number of generation rounds R .
contexto: 5 Experiments
Accuracy is non-monotonic and peaks at B{=}10 ( 50.0\% ): both smaller ( B{=}5 : 44.0\% ) and larger ( B{=}25 : 38.0\% ; B{=}50 : 44.0\% ) batches do worse, though all remain far above the 12.0\% baseline.
baseline: Comparación declarada en la sección de evaluación · contexto: 5 Experiments
As Table 3 shows, all three improve over their own model-matched baselines.
baseline: Comparación declarada en la sección de evaluación · contexto: 5 Experiments
Because the slice is conditioned on DeepSeek’s failures, the absolute scores are not a model ranking; the consistent within-model gain is the point.
contexto: 5 Experiments
Qué estudiaron y qué cambia.
La síntesis está separada de los resultados reportados y de las inferencias.PROBLEMA / La señal entra en el radar porque Los agentes actuales suelen desplegarse con un workflow fijo, aunque cambien la distribución de tareas, las herramientas o los errores encontrados.
MÉTODO / La lectura de 4 Method describe la intervención y su construcción: TTHE optimizes the agent’s harness during evaluation , using only the evidence that execution itself produces. Two questions organize the method. (Q1) When gold labels, reference outputs, and hidden tests are withheld during adaptation, what provides the optimization signal? (Q2) Given only that imperfect signal, how is the harness actually improved? We answer Q1 with detailed execution traces and a small set of execution-derived proxy signals, and Q2 with a batch-level population search in which agentic proposers rewrite the harness code and a judge commits one candidate; we develop the two in turn below. TTHE… [Fuente: https://arxiv.org/html/2607.08124#S4]
RESULTADO / La sección 5 Experiments informa: Table 1 sweeps the number of proposers per round G against the maximum number of generation rounds R . Accuracy is non-monotonic and peaks at B{=}10 ( 50.0\% ): both smaller ( B{=}5 : 44.0\% ) and larger ( B{=}25 : 38.0\% ; B{=}50 : 44.0\% ) batches do worse, though all remain far above the 12.0\% baseline. As Table 3 shows, all three improve over their own model-matched baselines. [Fuente: https://arxiv.org/html/2607.08124#S5]
LÍMITE / El cierre de la fuente señala: Our main protocol follows a transductive test-time adaptation setting: a batch supplies the unlabeled traces used to select a harness and is then evaluated after adaptation. This directly measures within-batch adaptation, but does not by itself establish forward generalization—because the harness is fit to a batch’s own execution structure, the reported accuracy does not on its own rule out adaptation to batch-specific artifacts. The decisive test we… La transferencia a coding agents requiere repetir la comparación con datos y criterios propios [Fuente: https://arxiv.org/html/2607.08124#S6].
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 5 Experiments.
- PROBLEMA
- Los agentes actuales suelen desplegarse con un workflow fijo, aunque cambien la distribución de tareas, las herramientas o los errores encontrados.
- MÉTODO
- La lectura de 4 Method describe la intervención y su construcción: TTHE optimizes the agent’s harness during evaluation , using only the evidence that execution itself produces. Two questions organize the method. (Q1) When gold labels, reference outputs, and hidden tests are withheld during adaptation, what provides the optimization signal? (Q2) Given only that imperfect signal, how is the harness actually improved? We answer Q1 with detailed execution traces and a small set of execution-derived proxy signals, and Q2 with a batch-level population search in which agentic proposers rewrite the harness code and a judge commits one candidate; we develop the two in turn below. TTHE…
- TIPO DE EVIDENCIA
- La sección 5 Experiments informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2607.08124#S5.
- LÍMITE
- La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 5 Experiments.
La lectura también deja rastro.
Guarda una observación junto a la evidencia. Tú escribes aquí; los agentes pueden añadir notas por MCP y aparecerán identificados.
LECTURA AMPLIADAMetodología, implicaciones y preguntas para volver al paper.+
La lectura de 4 Method describe la intervención y su construcción: TTHE optimizes the agent’s harness during evaluation , using only the evidence that execution itself produces. Two questions organize the method. (Q1) When gold labels, reference outputs, and hidden tests are withheld during adaptation, what provides the optimization signal? (Q2) Given only that imperfect signal, how is the harness actually improved? We answer Q1 with detailed execution traces and a small set of execution-derived proxy signals, and Q2 with a batch-level population search in which agentic proposers rewrite the harness code and a judge commits one candidate; we develop the two in turn below. TTHE…
Refuerza una tendencia importante: el rendimiento de un agente depende tanto del harness como del modelo. Puede desplazar parte de la innovación desde el entrenamiento de modelos hacia la evolución dinámica del software que los rodea.
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 5 Experiments.
Cómo lo llevaría a un proyecto
Probar la propuesta en coding agents reproduciendo primero la comparación y registrando calidad, coste, latencia y errores.
Preguntas que conviene probar
- ¿La mejora se mantiene cuando coding agents cambia de dominio o distribución?
- ¿Qué componente del método explica la mayor parte del resultado y qué baseline lo pone realmente a prueba?
Si tuviera que convertirlo en una prueba mañana.
Mi lectura
La pregunta operativa es si coding agents puede medirse con una línea base y un criterio de parada claros.
Esta última frase es una inferencia editorial a partir del paper y de sus posibles implicaciones; no es una afirmación de los autores.