Minki Kang

该工作提出 Mid-Harness，在动作生成器与执行框架之间对候选动作进行采样与验证后再执行其中一个，在保持生成器和框架不变的前提下研究动作级测试时计算扩展：在 TerminalBench-Lite 上，用 GPT-5.6 Sol 作为验证器把 TMAX-9B 的 Pass@1 从 50.00% 提升到 68.03%（8 个候选动作），而弱验证下增加采样宽度收益很小，成对验证在自验证设置中表现最好，把强验证器的响应蒸馏进 TMAX-9B 可进一步提升 Pass@1，且动作级扩展与轨迹级扩展（Best-of-N 与 Sequential Refine）组合后能以更低的估计 token 成本取得更高成功率。

该工作提出 Mid-Harness，在动作生成器与执行框架之间对候选动作进行采样与验证后再执行其中一个，在保持生成器和框架不变的前提下研究动作级测试时计算扩展：在 TerminalBench-Lite 上，用 GPT-5.6 Sol 作为验证器把 TMAX-9B 的 Pass@1 从 50.00% 提升到 68.03%（8 个候选动作），而弱验证下增加采样宽度收益很小，成对验证在自验证设置中表现最好，把强验证器的响应蒸馏进 TMAX-9B 可进一步提升 Pass@1，且动作级扩展与轨迹级扩展（Best-of-N 与 Sequential Refine）组合后能以更低的估计 token 成本取得更高成功率。