stanford-iris-lab/meta-harness

해결하는 문제

Meta-Harness는 기반 AI 모델을 재학습하거나 미세조정할 필요 없이 "하네스" — 데이터 검색, 저장, 표시를 관리하는 주변 코드 — 를 최적화하는 문제를 해결합니다. 모델 자체를 변경하는 대신, 모델의 작업을 최적화하기 위한 소프트웨어 스캐폴드를 개선하는 데 초점을 맞춥니다.

작동 방식

특정 작업에 맞는 모델 하네스에 대한 자동 탐색 프레임워크를 제공합니다. Claude Code와 같은 제안 에이전트를 사용하여 하네스 코드를 반복적으로 진화하고 최적화합니다. 도메인 사양과 평가 계획을 정의하면, 프레임워크는 모델 운영을 지원하는 가장 효과적인 코드 구조를 탐색합니다.

대상 사용자

특정 도메인이나 작업에서 고정된 기반 모델의 성능을 향상시키고 싶은 개발자 및 연구자에게 적합합니다. 학습이나 미세조정의 부담 없이 가능합니다.

주요 특징

• 자동 탐색: 주어진 작업에 최적화된 하네스 구성 자동 탐색
• 재사용 가능한 프레임워크: 새로운 도메인에 적용하기 위한 온보딩 흐름 포함
• 참고 실험: 텍스트 분류 및 Terminal-Bench 2.0 하네스 진화 예제 제공
• 확장 가능한 제안 에이전트: 래퍼 스크립트를 조정하여 다양한 제안 에이전트 지원