HarnessDev：评测 LLM 能否自主创建并迭代自己的 Agent Harness 基准

论文提出 HarnessDev 基准，将评测单位从任务输出转向可运行的执行基础设施，涵盖 Creation（从最小种子构建完整执行系统）和 Evolution（基于下游执行反馈迭代改进）两个阶段，覆盖 6 个创建模型、4 个领域和 5 个下游基准共 2,207 个独立实例。