Ein 20 Jahre altes mathematisches Problem wurde gelöst: Microsoft veröffentlicht Argus als Open Source, welches 1548 Stunden lang evidenzgesteuerte automatische Forschungsarbeiten durchführt.

Was fehlt langfristigen Agenten, um von „Ausführen“ zu „Steuern“ zu gelangen?

In der heutigen Zeit der rasanten Entwicklung von Agenten hat Harness große Sprachmodelle in die Lage versetzt, die reale Welt zu berühren, Werkzeuge aufzurufen, Code zu ändern und Experimente durchzuführen. Wenn sich die Aufgaben jedoch von mehreren zehn Minuten auf mehrere Tage erstrecken, muss das System noch lange Zeit von einer Person vor dem Bildschirm überwacht werden, um zu entscheiden, wohin der nächste Schritt geht.

Der Schlüssel zu diesem Engpass liegt nicht nur in der unzureichenden Fähigkeit des Modells, sondern vor allem darin, dass die meisten vorhandenen Agenten das „Ausführen“ automatisiert haben, aber nicht das „Steuern“ über der Ausführung wirklich automatisiert haben. Harness verleiht dem Modell die Fähigkeit zu handeln, während der Mensch dem Modell die Entscheidungsfähigkeit verleiht. Sobald der Mensch weggeht, stoppt das Projekt auch. Außerdem wirken die Ausführung und Reaktion des Agenten ohne dichte Belohnungsrückmeldungen langsam und ungeschickt.

Um dieses Problem zu lösen, haben Institutionen wie Microsoft und die Shanghai Jiao Tong University Argus als universelle Agent-Inferenz-Laufzeitumgebung für langfristige Forschungsaufgaben quelloffen gemacht und einen technischen Bericht veröffentlicht. Durch Konstruktionen wie evidenzgesteuertes Vorgehen, Selbstevolution, Zusammenarbeit mehrerer Agenten sowie Entkopplung von Kern- und Domänenkomponenten ermöglicht das System dem Agenten, sich über mehrere Tage hinweg in verschiedenen Bereichen kontinuierlich zu forschen, ohne dichte standardisierte Rückmeldungen zu erhalten.

Der Bericht deckt 27 Kampagnen und eine Wanduhrzeit von 1.548 Stunden ab. Im Durchschnitt wird alle 40,7 Stunden einmal eine menschliche Intervention aktiv angefordert; das Arbeitszyklusverhältnis des Berichts beträgt 95,1 % bis 98,7 %. Was Argus hier liefert, ist nicht nur ein hoch bewertetes Benchmark-Ergebnis, sondern ein vollständiges produktionsreiches Ergebnisverzeichnis. Das Team hat Ergebnisse in einem breiten Aufgabenspektrum wie AI4AI, GPU-Kernel, Modelltraining, AI4Science, Chipdesign, AI4math und AI4System vorgelegt, was die Allgemeingültigkeit von Argus und seine echte forschungsreife Intelligenz unter Beweis stellt.

Abbildung 1: Übersicht über die Laufzeitumgebung, Fähigkeitsbenchmarks und Lieferergebnisse von Argus.

• Titel des Papiers: Argus: Who Drives the Harness for Days?
• Papier: https://arxiv.org/abs/2608.05144
• Code: https://github.com/lbx154/Argus
• Projekt-Homepage: https://argusbot.cn/
• Open-Source-Bibliothek für Projektergebnisse: https://github.com/Argus-AiTeam
• Live-Übertragung der mathematischen Problemlösung des Projekts: https://open.argusbot.cn/#counterexample-live

01

Übergang von zielgesteuertem zu evidenzgesteuertem Vorgehen:

Wer bestimmt den nächsten Schritt des Agenten?

In den letzten zwei Jahren konzentrierten sich die wichtigsten Fortschritte in der Agent-Entwicklung auf Harness: Um das FSD des autonomen Fahrens als Vergleich zu nutzen, ist das Modell wie der Motor und Harness wie das Antriebssystem – aber derjenige, der wirklich bestimmt, wohin das Fahrzeug fährt, ist immer noch die Person, die vor dem Bildschirm sitzt. Bei kurzen Aufgaben, wie beim normalen automatischen Einparken, liefert die Aufgabe selbst klare Rückmeldungen; sobald sich die Aufgabe jedoch über mehrere Tage erstreckt, haben Forschungsprobleme oft weder stabile Belohnungen noch von Anfang an klar definierte Ziele. Daraus ergibt sich der echte Engpass bestehender Agenten: Sie können bereits ausführen, aber sie können noch nicht kontinuierlich unter Unsicherheiten urteilen.

Abbildung 2: Durch die Umsetzung der autonomen Forschung (auto-research) wandelt Argus die Rolle des Menschen von dem kontinuierlich vorantreibenden Fahrer zum Beifahrer.

Argus nennt diese zuvor nicht automatisierte Position über Harness „Driver“ (Steuerer). Seine Aufgabe ist es, auch bei Konflikten zwischen Plan und Realität weiterhin anhand von Beweisen das Steuer zu übernehmen. Die zu Beginn der Forschung festgelegten Ziele sind nur anfängliche Hypothesen in der Phase mit den wenigsten Informationen; wenn der Agent nur zielgesteuert dem vordefinierten Endpunkt nachjagt und sogar wiederholt Token an unmöglichen Zielen verschwendet, führt dies zu einer Erstarrung der Ziele. Das evidenzgesteuerte Vorgehen kehrt die Steuerlogik um: Der nächste Schritt wird durch vorhandene Beweise bestimmt, nicht durch die anfänglichen Hypothesen des Plans. Alle Ergebnisse während des Betriebs sind gültige Beweise, die die Route ändern können; das System wird genau durch diese Beweise gesteuert. Konkret muss der Driver anhand der aktuellen Beweise wiederholt die folgenden vier Fragen beantworten:

1. Ist diese Arbeit bereits abgeschlossen und ist ihre Qualität ausreichend gut?

2. Was ist der nächste am meisten lohnende Schritt unter Berücksichtigung der aktuellen Beweise?

3. Wie sollen die in dieser Runde gewonnenen Erfahrungen das zukünftige Verhalten des Systems verändern?

4. Beinhalten die verbleibenden Probleme Entscheidungen, die nur von Menschen getroffen werden können?

02

Aufbau eines universellen, anpassbaren langfristigen Laufzeitsystems

Argus organisiert langfristige Projekte in persistente Kampagnen und unterteilt sie anschließend in eine Reihe von Missionen mit klar definierten Grenzen. Sein grundlegender geschlossener Kreislauf lautet Manager → Planer → Ingenieur ⇄ Prüfer → Manager:

Mit dem /goal-Modus von OpenAI Codex als Referenz lässt sich die Ausrichtung des Designs von Argus klarer erkennen. /goal verlängert den einzelnen Zyklus eines Agenten zu einem persistenten Zyklus mit Zielzustand; Argus hingegen organisiert Forschungsprojekte zu einem langfristigen Laufzeitsystem mit mehreren Rollen, mehreren Harness und der Möglichkeit, Wissen zu speichern. Ersteres beantwortet die Frage „Wie kann man verhindern, dass der Agent stoppt“, Letzteres die Frage „Wie kann der Agent effektiv arbeiten, nachdem er nicht mehr stoppt“. Dies ist genau der strukturelle Unterschied auf Laufzeitebene, der dem Übergang von zielgesteuertem zu evidenzgesteuertem Vorgehen entspricht.

1. Der Manager steuert Phasenübergänge, Prozessgenehmigungen und globale Strategien;

2. Der Planer plant konkrete Aufgaben anhand der aktuellen Beweise;

3. Der Ingenieur greift auf echte Codebasen zu, führt Experimente durch und führt die Aufgaben aus;

4. Der Prüfer prüft die Arbeitsergebnisse unabhängig, überprüft ihre Innovativität und Wirksamkeit, berichtet an den Manager oder weist sie an den Ingenieur zurück.

Der Schwerpunkt liegt hier nicht auf den mehreren Rollen an sich, sondern auf der Aufteilung des Kontexts: Mehrere Rollen arbeiten zusammen, um zu verhindern, dass der Agent zu einem einfachen lokalen Suchoptimierer wird. Jede Rolle verfügt über ihren eigenen einzigartigen Kontext, teilt aber denselben Arbeitsbereich. Dadurch wird vermieden, dass Planung, Ausführung und Überprüfung vollständig von einem einzigen Agenten erledigt werden, was die Token-Effizienz verbessert. Aus diesem Grund können in einer Aufgabe von Argus gleichzeitig verschiedene Harness wie Pi, Codex, Claude Code und DeepSeek Harness aktiviert werden, was eine hohe Anpassbarkeit gewährleistet.

Das System speichert einen vollständigen Satz von Arbeitsergebnissen; nur Erfahrungen, die die Evidenzschwelle überschreiten, gelangen in Wiki und Skill und können für nachfolgende Aufgaben nach Geltungsbereichen Projekt, Vertikal oder Global wiederverwendet werden.

Gleichzeitig bleibt die Entkopplung von Kernkomponenten und vertikalen Domänen erhalten: Die Kernkomponenten sind für Rollenberechtigungen, Einreichung von Beweisen und die Grenzen menschlicher Beteiligung zuständig. Die vertikalen Domänen definieren durch Fachexperten, was in Aufgaben wie Mathematik, GPU und Materialien als gültiger Beweis gilt, sowie die zugehörigen menschlichen Fähigkeiten und Kenntnisse. Die vertikalen Domänen können die Qualität der Lieferung von Forschungsaufgaben deutlich verbessern und bieten zudem eine Schnittstelle für die koevolutionäre Zusammenarbeit von menschlichen Experten und Agenten sowie die Anpassung von Arbeitsabläufen.

Abbildung 3: Der langfristige Betriebsmechanismus von Argus. Vier Rollen kreisen um einen persistenten Zustand, und Kampagnen können zwischen acht Forschungsphasen voranschreiten oder zurückgesetzt werden.

03

Was bleibt nach 1548 Stunden bei Argus übrig?

Was wirklich darüber entscheidet, ob langfristige Agenten funktionsfähig sind, ist die Frage, ob Zeit in echte Forschungsergebnisse umgewandelt werden kann. Weniger als einen Monat nach der Veröffentlichung von Argus als Open-Source hat es bereits herausragende Beiträge zur Forschung in Infrastruktur, Materialien, Chips, Mathematik und KI-Systemen geleistet. Gleichzeitig sind wir das erste Team, das das vollständige Ende-zu-Ende-Protokoll zur Lösung und Filterung mathematischer Vermutungen veröffentlicht und alle Betriebsverläufe, Sitzungen usw. offenlegt. Im Folgenden finden Sie eine Zusammenfassung aller Ergebnisse nach der Veröffentlichung von Argus als Open-Source:

Abbildung 4: Repräsentative Forschungsergebnisse, Schlüsselkennzahlen und Abnahmegrundlagen von Argus

Wie in der obigen Tabelle gezeigt, wandelt Argus zunächst im Bereich AI4System & Infra den kontinuierlichen Betrieb in abnehmbare echte Lieferungen um und schließt den ersten Schritt von der automatischen Ausführung zur autonomen Forschung mit klaren technischen Ergebnissen ab. Anschließend erstrecken sich die Aufgaben von der KI-Infrastruktur auf AI4Science, AI4Hardware und AI4Math, und die Bewertungskriterien wechseln sich von „Wurde die vorgegebene Aufgabe abgeschlossen?“ zu „Kann man offene reale Forschungsprobleme erkunden?“. Dadurch wird die automatische Forschung von der automatisierten Lieferung weiter zur automatisierten Erkundung vorangetrieben. Auf dieser Grundlage erweitert Argus im Bereich AI4AI die einzelnen Ergebnisse zu einem vollständigen Forschungsablauf, treibt die Aufgaben kontinuierlich durch Beweise voran, ohne dass der Mensch ständig vor dem Bildschirm bleiben muss. Dadurch entsteht ein fortschreitender Pfad von der echten Lieferung über die domänenübergreifende Erkundung bis zur vollständigen autonomen Forschung.

Abbildung 5: Die Lieferergebnisse von Argus bei der vollständigen Erstellung von wissenschaftlichen Arbeiten.

Alle oben genannten Ergebnisse wurden innerhalb von 1 Monat erzielt. Wenn man diese Ergebnisse miteinander verbindet, bildet Argus eine Wertschöpfungskette mit zunehmender Tiefe: Das Objekt der Automatisierung erweitert sich von einer einzelnen Ausführung zum evidenzgesteuerten Fortschritt der Forschung, was den Forschungsfortschritt stark beschleunigt. Dies ist auch die direkteste Antwort auf die Frage „Wer steuert den Agenten, nachdem der Mensch den Bildschirm verlässt?“.

Schlusswort

Nachdem der Bildschirm erloschen ist, wird das Projekt nicht auf Null zurückgesetzt

Langfristige Intelligenz bedeutet, Token in Intelligenz umzuwandeln und dann mit dieser Intelligenz ein Forschungsprojekt kontinuierlich voranzutreiben, um praktischen Wert zu erzeugen. Argus organisiert die ursprünglich voneinander getrennten Modellaufrufe zu einem kontinuierlich laufenden Forschungssystem, lässt die evidenzgesteuerte Steuerung die Richtung bestimmen und speichert durch Selbstevolution die gesammelten Erfahrungen in Fähigkeiten.

Argus zeigt nicht nur einen Agenten, der über einen längeren Zeitraum läuft, sondern auch eine neue Art der Organisation von Forschung: Harness löst die Frage, wie das Modell handeln soll, der Driver bestimmt, wie das System kontinuierlich voranschreitet, und die Forschungsgeschwindigkeit ist nicht mehr an die Arbeits- und Freizeit der Menschen gebunden. Dies könnte bedeuten, dass die Ära der beschleunigten Forschung bevorsteht. Der Bildschirm kann erlöschen, die Forschung geht weiter.

Vorstellung der Autoren

Argus wird von Forschern von Microsoft und der Shanghai Jiao Tong University geleitet und von Forschern aus mehreren Universitäten gemeinsam vorangetrieben.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto