刷榜風波驚動OpenAI后，這家中國團隊拿回Agent硬核榜單第一

編輯 | 澤南

2026 年 AI 領域最重要的概念，可能非 Harness 莫屬。

上個月底，Anthropic 的 AI 編程智能體 Claude Code 源代碼意外泄露，業(yè)界在圍觀之下無不發(fā)出感嘆：「Harness engineering 真是太難了。」

作為 AI 智能體（Agent）的兩大支柱之一，大模型就像基礎，Harness 則是上層建筑。具體來說，Harness Engineering 是指圍繞 AI 智能體設計系統(tǒng)、約束和反饋循環(huán)，使其在生產(chǎn)環(huán)境中能夠可靠運行的工程學科。

在這其中，權(quán)限與安全護欄、記憶與狀態(tài)管理、工具與工作流編排，以及自我糾錯循環(huán)的機制缺一不可。AI 領域?qū)τ?Harness 的重視，意味著 AI 技術(shù)正在告別盲盒時代，邁向了工程學的范疇。

而在產(chǎn)業(yè)落地這個層面上，國內(nèi)的實踐走在了前面，還率先完成了第三方的實證。

近日，在由 OpenAI 主導設立的權(quán)威基準測試 MLE-Bench 上，企業(yè)級算法自主優(yōu)化智能體百度伐謀（Famou）擊敗了各路玩家登頂，并刷新了 SOTA 成績。

這是繼去年 10 月首次登頂后，百度伐謀的第二次領跑。這次拿下第一的是 2.0 版，預計于今年 5 月 13 日的 Create 2026 百度 AI 開發(fā)者大會上正式發(fā)布。

與那些考常識問答、寫代碼的常規(guī)評測不同，MLE-Bench 被業(yè)內(nèi)公認為是檢驗智能體「動手能力」的硬核考場。它挑選了 75 個來自頂尖數(shù)據(jù)科學平臺 Kaggle 競賽的真實工程難題，重點考察 AI 在模型訓練、數(shù)據(jù)準備、實驗運行等機器學習全流程中的端到端實戰(zhàn)能力。

簡單來說，MLE-Bench 不考「單選題」，它考的是工程項目開發(fā)的應用題，需要 AI 智能體能像一位經(jīng)驗豐富的人類算法工程師一樣，完成從需求理解到解法輸出的全鏈路設計，找出全局最優(yōu)解。

能在 MLE-Bench 上登頂，意味著伐謀已經(jīng)超越了做題家的范疇，在解決實際工程和算法優(yōu)化問題上的能力達到了頂尖水平。

而且這次的成績「來之不易」。

登榜風波：有關 AI 評測底線的較量

故事要先從一場榜單風波說起。

去年 10 月，百度伐謀團隊首次向 OpenAI 主導的 MLE-Bench 提交了 Famou Agent 的成績，以 43.56 分拿下當時的 SOTA（最優(yōu)水平）。在此之前，這個硬核的機器學習工程榜單提交者寥寥，伐謀的登頂瞬間讓榜單熱鬧了起來，陸續(xù)吸引了近 10 家頂尖團隊入場角逐。

到 12 月末，百度伐謀推出了 2.0 版本，并以 59.56 分再次登頂。

有意思的是在這次升級中，伐謀團隊做出了一個有些反直覺的決定：他們沒有使用當時最先進的基座模型，而是繼續(xù)使用上一代的模型作為基礎。他們希望單獨驗證智能體 Harness 自身的系統(tǒng)進步。

今年 2 月，在大家都還在 60 分區(qū)間苦苦掙扎時，一家名為 Disarray 的創(chuàng)業(yè)公司突然提交了一份 77.78 分的答卷。

但很快 AI 社區(qū)發(fā)現(xiàn)了異樣之處：Disarray 的智能體在某些任務（如 GPS 定位任務）上竟然跑出了「0.0 誤差」的成績，在另一些圖像任務中也拿到了低得離譜的分數(shù)。這種幾乎不可能的成績引爆了 GitHub 討論區(qū)。

有研究者發(fā)現(xiàn)，Disarray 的智能體在運行過程中會利用 MLE-Bench 機制的漏洞接收來自「私有測試集」的二值反饋信號，智能體在還沒交卷的時候，就已經(jīng)提前知道了考試答案的大致方向。同時，它甚至在某些任務中直接調(diào)用了外部網(wǎng)絡數(shù)據(jù)。

爭議之外，伐謀團隊決定出手，他們換上了最新 SOTA 模型作為基礎模型進行提交，最終得分：64.44 分。雖然絕對分數(shù)沒有超過利用了漏洞的 Disarray，但這個成績沒有使用私有測試集的反饋信號，也沒有使用外部網(wǎng)絡數(shù)據(jù)。

3 月 23 日，MLE-Bench 官方終于做出決定，新增一個專屬的清潔賽道（No Private LB），將所有具有數(shù)據(jù)泄漏嫌疑的方法（包括 Disarray）隔離，并打上警示標簽。

排除了干擾項后，一直堅守實驗原則、拒絕走捷徑的百度伐謀 2.0 以無可爭議的分數(shù)重回主榜榜首。

這場榜單名次的更迭，似乎也隱喻了 AI 工程化的核心命題：在有研究團隊不斷刷分的同時，也有探索者正在踐行 Harness 的工程化思路，一步步攻克真實世界任務的壁壘。

伐謀 2.0 為什么能贏？

百度能夠在全球頂尖智能體的角逐中拔得頭籌并非偶然，答案就藏在那個讓整個硅谷都在熱烈討論的新詞里：Harness Engineering（系統(tǒng)編排工程）。

過去幾年，AI 行業(yè)的競爭焦點集中在基礎模型上。但人們發(fā)現(xiàn)，在處理真實世界復雜的工程問題時，再聰明的模型如果沒有合理的系統(tǒng)編排與約束，還是會在長鏈條任務中失去方向，陷入死循環(huán)，或者產(chǎn)出無法落地的錯誤代碼。

Harness Engineering 因此逐漸受人重視，其目標非常明確：從手工構(gòu)建 AI 轉(zhuǎn)向框架驅(qū)動的演化。

基于大模型這個「發(fā)動機」，Harness 負責管理任務的拆解、記憶存儲、試錯反饋、工具調(diào)用以及安全邊界。已有不少 AI 專業(yè)人士認為，在未來的 AI 競賽中，誰能構(gòu)建出最優(yōu)秀的 Harness 框架，誰就能真正把大模型的智力轉(zhuǎn)化為生產(chǎn)力。

這個前沿議題也正是百度伐謀一直以來努力的方向。

伐謀是一個讓 AI 算法自主進化、尋找全局最優(yōu)解的多智能體系統(tǒng)，旨在高效率地解決高難度的問題。它結(jié)合了大語言模型和進化搜索算法，能夠解決復雜的現(xiàn)實世界問題。去年 11 月的百度世界大會上，我們已經(jīng)見證了百度伐謀的技術(shù)框架和實踐成果。

李彥宏曾表示，「只要問題的解法是明確可驗證的，伐謀就可以模擬甚至超越頂尖的算法專家。」

在伐謀 2.0 版本上，演化策略、長程記憶機制、底層基礎設施等層面又獲得了全面優(yōu)化。

首先，伐謀執(zhí)行的是多智能體并行探索模式。在面對一個新任務時，系統(tǒng)首先會通過多智能體并發(fā)生成多個「初始算法解」，將它們分發(fā)到不同的「島嶼」形成初始種群。隨后進入自演化階段，在分布式集群上利用大規(guī)模并行的變異與交叉機制持續(xù)迭代，不斷向全局最優(yōu)解逼近。它不需要工程師手工構(gòu)建每一層能力，而是讓智能體在演化中自主尋優(yōu)。

其次，伐謀升級了長程記憶機制，能讓智能體像人類工程師一樣在長鏈條任務中保持思路清晰、邏輯一致。該機制解決了大模型「做著后面忘了前面」的痛點，讓智能體能在真實世界復雜的工程任務中記住此前的分析、決策和中間結(jié)果。

最后，通過底層基礎設施優(yōu)化，伐謀實現(xiàn)了算法演化迭代效率的顯著提升。依托百度智能云的全棧 AI 云優(yōu)化，伐謀在計算資源調(diào)度、任務并行執(zhí)行、容錯恢復等方面做到了極致。底層的夯實，讓整個龐大的系統(tǒng)能夠「跑得穩(wěn)、跑得快、跑得可靠」。

榜單是驗證，產(chǎn)業(yè)是答案

MLE-Bench 榜單的成績只是技術(shù)驗證的一角，百度伐謀其實已經(jīng)在真實物理世界里解決了很多產(chǎn)業(yè)難題，其中不乏一些我們想象不到的案例。

在汽車研發(fā)中，風阻系數(shù)很大程度上決定了新能源車的續(xù)航水平，但氣動驗證是一個困難的任務。傳統(tǒng)方法依賴于仿真軟件求解復雜的偏微分方程，單次驗證可能需要耗時 10 個小時。設計師畫完草圖，只能像「開盲盒」一樣等待工程師的反饋。

亞洲最大的獨立汽車設計公司阿爾特，將其 AI 核心平臺與百度伐謀進行了深度結(jié)合，通過伐謀的自我演化能力，訓練出了「御風」智能預測系統(tǒng)。

原本需要 10 小時的分析驗證，現(xiàn)在僅需數(shù)分鐘就能輸出可視化的壓力云圖及風阻系數(shù)，預測誤差被控制在 5% 以內(nèi)。這種降維打擊，直接將傳統(tǒng)的「設計 - 驗證 - 修改」串行循環(huán)，升級成「邊設計、邊驗證」的并行協(xié)同，整車研發(fā)周期直接縮短了 25%。

數(shù)字銀行的核心護城河是風控，而風控的生命線在于「特征挖掘」。中信百信銀行將伐謀智能體引入了核心風控體系。在這里，伐謀作為一位不知疲倦的「策略演化大師」，利用高維數(shù)據(jù)感知能力，7×24 小時在海量數(shù)據(jù)中挖掘風險特征，在極短時間內(nèi)達到了專業(yè)數(shù)據(jù)工程師的水平。

實戰(zhàn)結(jié)果令人矚目：伐謀不僅將特征挖掘效率提升了 100%，還精準抓取到了人類極易忽略的高價值特征，使風控模型的風險區(qū)分度提升了 2.41%。這意味著銀行能在可控風險內(nèi)更精準地篩選出優(yōu)質(zhì)客戶，拓寬普惠金融的邊界。

更進一步，伐謀解決復雜問題的能力不僅落地在工業(yè)上，也在推動前沿科研范式的升級。

北京工業(yè)大學將百度伐謀引入到了中國空間站微型空氣質(zhì)量監(jiān)測設備的研發(fā)中。面對核心部件「氣相色譜柱」的流場均勻性難題，伐謀通過自我演化打破了人類常規(guī)的設計極限，找出了更小構(gòu)型、更緊密排列的最優(yōu)解，極大提升了氣體分離效率。

天津大學則將其應用于災害預測與預警模型選優(yōu)（如滑坡位移預測、結(jié)構(gòu)面巖爆）。過去依賴人工串行試驗、動輒以「周」為單位的選優(yōu)周期，被伐謀直接壓縮到了 6 個小時。

通過 AI 的幫助，人類專家終于得以從枯燥的手動試錯中解放出來，回歸科研的本質(zhì) —— 定義科學問題、產(chǎn)出新規(guī)律。而那些最困難、最耗時的算法演化與龐雜計算，正在全面交由智能體去完成。

結(jié)語

從百度伐謀的實踐我們或許可以看出，Harness Engineering 正在成為下一代 AI 工程化的分水嶺。

通過大量實際任務的驗證，伐謀證明了一套完整的 AI 智能體架構(gòu)，不再需要人類工程師去手工編寫每一層規(guī)則，而是可以放手讓其在自我演化中尋找最優(yōu)解。

當 AI 競賽從模型層卷向框架層，國內(nèi) AI 團隊在實踐領域的持續(xù)深耕正在定義工程化的范式。新一代的生產(chǎn)力，正在真實戰(zhàn)場上解決「最難的問題」。