**HarnessRL：通过即时训练框架与策略协同进化以解决开放-ended 强化学习难题**

_HarnessRL: Co-Evolving Policies with a Just-in-Time Training Harness for Open-Ended RL_

> 针对基于评分的强化学习在开放-ended 生成任务中因奖励失效导致的训练失败，HarnessRL 提出了一种训练时框架。该框架通过任务采样、回滚引导和评分标准三个接口与策略协同进化，利用记忆库中的历史证据动态诊断奖励失效原因并即时调整。实验表明，在涵盖医疗、科学等五个领域的 Rubric-Mix-10k 基准上，HarnessRL 在 4B 和 9B 模型规模上均显著优于最强基线，且训练步数减少近一半。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-21 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.26426)