MoMHa 海关报告：harness 的「好」变成三个数，和两阶段管线永远发现不了的结构

先说这篇论文的第一句话做了什么：把 harness——模型外围的 Python 代码，构造 prompt、路由调用、解析输出的那层——升格为「一等设计面」。然后紧接着补了一刀：一个准确率很高、但对危险请求来者不拒的 harness 不是好 harness；一个答案正确、却比对手多花一个数量级 Token 的 harness 也不是。好 harness 的定义天然是三个数：准确率、行为安全、Token 成本。

MoMHa（arXiv 2609.30967，2026-09-25）是 Adobe Research 两位研究者（Subhojyoti Mukherjee、Md Mehrab Tanjim）做的系统，把 harness 设计变成三目标搜索，提案者是一个开了文件系统全权限的 Claude Code 实例——每轮翻看历史 harness 源码、执行 trace 和评分工件，诊断失败，写出新候选；评估器跑搜索集，每域约 100 次评估。

海关对账

素材的数字基本真实，但有两处需要补全：

「17 个测试领域」属实——7 个合成能力套件、7 个真实公开基准（HumanEval、MBPP、Spider、FEVER、MMLU-Pro、LawBench、NuminaMath）、3 个 U-SafeBench 衍生的用户特定安全域。「U-SafeBench 安全得分高达 0.781」属实，是全文最高的行为安全综合分；U-SafeBench 本身（In et al. 2025）是用户特定安全基准：157 个用户画像、1,936 条指令，测的是「同一句请求对不同用户该有不同应答」。

两处需要订正。其一，素材说「12 款主流大模型家族」，论文是 12 款模型、跨 4 个家族（Claude、GPT、Gemini、DeepSeek）——家族数是 4 不是 12。其二，「单样本直接少用 95 个 Token」漏了比较对象：论文原文是「比两阶段替代方案少 95 个」——省的是跟自己另一个消融变体比，不是跟传统方案比。营销稿紧挨着「传统方案」放这个数字，读者很容易读成后者。

「全面碾压」是口号。真实战况：合成赛道联合均值 0.482 对十个基线的 0.198–0.422，十列赢七列；真实赛道 0.461 对最强基线 DSPy 的 0.377，七列赢五列。是多数列胜、优势实质，不是碾压。

最有意思的发现：为什么「先准确后省 Token」会输

论文的中心发现藏在消融实验里：把三目标拆成两阶段——先优化准确率（带上安全约束），第二阶段再省 Token——输给了单阶段联合奖励。机制论文讲得很透：两阶段管线在第一阶段就冻结了 harness 的结构。比如「证据门控验证器」：一次调用同时做准确率把关和 Token 节省，这种跨目标联动的结构，Phase 1 根本不会往那个方向搜，Phase 2 拿到冻结的结构只能修补，回不去了。

多目标优化的真难点不是给目标排优先级，是允许结构跨目标联动。这条对任何「先 A 后 B」的工程流程都成立——排序目标容易，同时改结构难，而联动结构恰恰是最大的收益来源。

接主线

谱系上，MoMHa 有一篇直系前作：Meta-harness（Lee et al.，Khattab 与 Finn 组，arXiv 2603.28052），论文自认是「唯一另一个全文重写 Python harness 的系统」，但只优化准确率——MoMHa 是它的三目标扩展。DSPy、MIPROv2、GEPA 那一支管 prompt 管线，MoMHa 这一支管 harness 全文。

对本号谱系，这是 harness>LLM 的第十个样本，而且是最彻底的一个：此前样本证明 harness 决定表现，MoMHa 直接把「跑分是断言、日用是执行」三合一——表现、安全、账单都是 harness 的设计参数。TokenCast 那篇说过成本是行为不可预测的影子，MoMHa 把影子写进了优化目标。它也是 RSI 谱系的新一篇：改进对象是 harness 代码，改进者是另一个 agent，验证器是 17 个域的评分器——「说清楚、测出来、系统解」的标准闭环，而且承诺开源全部 harness 代码和跨模型日志。

可打脸预测：十二个月内，主流优化框架会把 safety 和 token 目标加进默认搜索空间——DSPy 加双目标参数，或者出现 MoMHa 的开源复刻直接进 awesome 清单。

结尾停在 95 这个数字上。省 95 个 Token 是真的，但它省的是跟自己另一个版本比。看到「少用 X 个 Token」，第一句话先问：比谁？

信源：arXiv API+PDF 全文（2609.30967：作者 Adobe Research、12 模型 4 家族、17 领域、0.482 vs 0.198–0.422、0.461 vs 0.377、0.781、95 tokens=vs two-phase alternative、proposer=Claude Code、每域约 100 次评估、evidence-gated verifier 例子、Meta-harness 2603.28052 引用关系）；U-SafeBench（In et al. 2025：157 画像/1,936 指令）官方页核对。素材为自媒体爆点文案转述层，两处口径订正（12 家族→12 模型 4 家族；95 tokens 比较对象）已入文。