我们能否在不更新任何模型参数的情况下，把强模型的能力迁移给弱模型？

我们通常认为，更强的 AI 能力需要通过蒸馏，OPD等各种方式训练更弱的模型，但在 Harness 的热潮下，一个更本质的问题值得探索：如果完全不改模型参数，强模型能不能在 test time 直接帮弱模型“搭好思考方式”？

Harness 的本质其实就是 Strong2Weak Capability Transfer，基于这个想法，最新的一篇工作做了以下探索：让强模型作为 builder，自动为较弱的 target model 构建 inference-time harness，包括 task routing、structured extraction、deterministic code、verification 和 output control 等，而 target model 本身不需要任何训练。

论文：AI4AI at Test-Time: Strong-to-Weak Capability Transfervia Harnesses
链接：https://arxiv.org/pdf/2608.12307

实验发现，仅仅改变模型外部的 harness，就能让 GPT 在不同 Benchmark 上的准确率提升将近翻倍。而且这种提升并不是简单让弱模型“想得更久”，而是让强模型把一部分 reasoning 编译成 code、rules 和 structured procedures，减少弱模型真正需要解决的认知负担。

研究显示，harness 中能够被 offload 的 reasoning 越多，最终效果通常越好；同时，builder model 越强、投入的 reasoning effort 越高，构建出的 harness 也往往越有效。

这个结果也提供了一种有趣的 AI4AI 视角，未来AI4AI的范式下，能力往往不一定要被压缩进 weights，也可以被外化成 tools、code、routing、verification 和 harness 等等不同形式存在。

AI4AI的未来，也不只是拥有一个更聪明的模型，而是让 AI 学会如何为 AI 构建更好的思考环境。

9月5日（周六）10:00点​，青稞Talk 第151期，UIUC 博士生钱成，将直播分享《AI4AI at Test-Time：从 Harness 看 AI4AI 如何实现以及未来》

青稞介绍

钱成,伊利诺伊大学厄巴纳-香槟分校（UIUC）计算机学院二年级博士生，导师为季姮教授。本科毕业于清华大学，期间师从刘知远教授。他的研究主要聚焦于大语言模型智能体，尤其关注智能体推理、工具使用与创造力等方向。他一作发表 ToolRL、UserRL 等代表性工作，相关论文目前已在 Google Scholar 上累计获得超过 3600 次引用。

钱成曾获 Capital One ASKS Center Fellowship，并担任 ACL、EMNLP 等会议的领域主席（Area Chair），以及 NAACL 2027 Student Research Workshop 的 Program Chair。他还牵头组织了 ICLR 2026 和 COLM 2026 Lifelong Agent Workshop，并长期担任 NeurIPS、ICLR、AAAI 等国际学术会议的审稿人。

主题提纲

AI4AI at Test-Time：从 Harness 看 AI4AI 如何实现以及未来

1、从蒸馏、OPD 到 Harness，AI4AI 范式的演进？
2、测试时能力迁移：AI4AI 最本质的实现方式？
3、让强模型当架构师：自动构建弱模型的 Harness
4、一个有效 Harness 由什么组成？
5、从实验结果看 Harness 的价值边界
6、探讨 AI4AI 的未来 & AMA（Ask Me Anything）环节

直播时间

9月5日（周六）10:00 - 11:00