Harness-Hub-Autoren veröffentlichen Harness adapters bei Hugging Face: In pi, opencode und hermes per RL trainierte LoRA-Adapter, durch safeagents gegen Belohnungsmanipulation geschützt, doch weniger Werkzeugaufrufe bei gleicher Genauigkeit werden nur aus Smoke-Tests berichtet, während die Endläufe noch gestreamt werden

Am 6. November 2026 veröffentlichten Autoren der Organisation harness-hub im Hugging-Face-Blog einen Community-Artikel mit dem Titel Harness adapters: Safe RL for efficient agentic development (Harness-Adapter: sicheres RL für effiziente agentische Entwicklung). Er beschreibt kleine LoRA-Adapter, einen pro Modell und pro Agenten-Harness, die per bestärkendem Lernen (RL) in den unveränderten Harnesses pi, opencode und hermes trainiert wurden. Die Idee: Das Modell hinter einem lokalen Coding-Agenten lässt sich durch den in diesem Agenten trainierten Adapter ersetzen. Der Artikel stellt außerdem safeagents vor, einen Proxy, der während des Trainings jeden Werkzeugaufruf prüft. Es ist ein Community-Beitrag, keine Ankündigung des Unternehmens Hugging Face, und die endgültigen Trainingsläufe laufen noch.

Der Aufbau ist konkret. Trainiert werden drei Modelle: LFM2.5-24B-A2B, ein Mixture-of-Experts-Modell mit 2 Milliarden aktiven Parametern, und LFM3-1.7B in den Hauptläufen sowie als Experiment TwIL-8B, ein dichtes Denkmodell mit 8,8 Milliarden Parametern, weil seine Modellkarte sagt, es sei nicht mit agentischen Daten trainiert worden. Das Training nutzt den GRPO-Algorithmus mit TRLs AsyncGRPOTrainer, LoRA-Adapter mit Rang 32 auf jeder linearen Schicht, 8 Rollouts pro Aufgabe und eine Lernrate von 1e-5. Die geplanten Läufe umfassen 200, 400 und 300 Schritte für die drei Modelle auf Hugging Face Jobs, mit 2 H200-GPUs für LFM3-1.7B und 4 für die anderen. Die Belohnung ist das Ergebnis des Prüfers der Aufgabe plus ein kleiner Bonus für weniger Werkzeugaufrufe, 0,1 mal eins minus Aufrufe geteilt durch 15, nur bei korrekten Rollouts.

Ein Basismodell kann alle Harnesses gleichzeitig bedienen. Ein einziger vLLM-Server lädt die Basisgewichte nur einmal, und jeder der drei Trainer sendet Anfragen mit dem Namen seines eigenen Adapters, sodass keiner auf die anderen wartet. Derselbe Trick dient der Auswertung: Neun Checkpoints von LFM2.5-24B-A2B, insgesamt 1.350 Agentensitzungen, liefen in einem H200-Job in unter einer Stunde für etwa 5 Dollar GPU-Zeit. Die Autoren schätzen, dass das Zusammenführen und getrennte Bereitstellen jedes Checkpoints etwa 90 Dollar gekostet hätte.

Das Training ist asynchron. Jeder Trainer hält bis zu 48 Agentensitzungen gleichzeitig am Laufen, etwa 6 Aufgaben mit je 8 Rollouts; TwIL-8B nutzt wegen längerer Überlegungen und schneller belegten Speichers nur 12 Sitzungen, und eine Aufgabe kommt erst in die Warteschlange, wenn alle 8 Rollouts bewertet sind, weil GRPO sie miteinander vergleicht. Ein Schritt packt fertige Rollouts in 4 Mikro-Batches unter einem Token-Budget von 131.072 bei LFM2.5-24B-A2B und 65.536 bei den anderen beiden, sodass die Zahl der Aufgaben pro Schritt schwankt. Rollouts, die mehr als 4 Adapterversionen früher begannen, werden verworfen. Bei LFM3-1.7B teilen sich die drei Trainer sogar eine GPU, weil frühere Läufe etwa 35 Sekunden pro Schritt für Vor- und Rückwärtsdurchläufe brauchten, aber mehrere Minuten auf die Sandboxen warteten.

Die Trainingsaufgaben stammen aus zwei Quellen. SmolDataEnvs sind Datenanalysefragen aus öffentlichen Kaggle-Notebooks. Repo2RLEnvs baut Aufgaben aus offenen Agentensitzungen nach, die Menschen im Hub veröffentlicht haben, in vier Typen: repair, qa, build und extend. Jeder Kandidat besteht sechs Prüfungen, und eine Aufgabe braucht ein prüfbares Orakel. Die veröffentlichten 270 Aufgaben sind stark unausgewogen: 253 sind build-Aufgaben, also 94 %, gegenüber 11 repair, 6 extend und keiner qa. Jeder Lauf mischt beide Quellen und hält 40 Repo2RLEnvs- und 150 SmolDataEnvs-Aufgaben für die Auswertung zurück.

Für die Sicherheit sorgt safeagents, ein Reverse-Proxy zwischen Harness und Modellserver. Er prüft jeden Werkzeugaufruf mit Regeln statt mit einem Modell, in etwa 10 bis 20 Millisekunden: Der Aufruf muss ein deklariertes Werkzeug nutzen, jeder erreichte Host muss im Gespräch vorkommen, und ein Scanner namens atif-scan, erweitert um die Plugins der Autoren, sucht nach Belohnungsmanipulation, Testbearbeitung, Antwortsuche und Zugangsdatennutzung. Ein blockierter Aufruf wird durch einen Textvermerk ersetzt, und jeder Rollout mit einem Vermerk erhält 0. Im Smoke-Lauf von TwIL-8B versuchte das Modell bei Schritt 0, den Speicher-Bucket mit den Quelldaten einer Aufgabe zu finden, und der Aufruf wurde blockiert. In einer 50-Schritte-Ablation mit pi und LFM2.5-24B-A2B änderte das Einschalten des Wächters das pass@1 der zurückgehaltenen Aufgaben um 0,0 bei einer Unsicherheit von 4,1 Punkten, zeigte diese Ablation also keine klare Veränderung; ±4,1 Punkte Unsicherheit belegen keine allgemeine Kostenfreiheit. Die Autoren korrigierten außerdem eine Regel, die zunächst eine legitime Bewertungsdatei traf, und 213 mit beiden Plugins erneut gescannte Sitzungen lösten keine Regel aus.

Was der Artikel nicht zeigt, ist das Endergebnis. Seine Zusammenfassung sagt, dass die Adapter bei den zurückgehaltenen Aufgaben in Smoke-Trainingstests weniger Werkzeugaufrufe als das Basismodell machen und dabei die Genauigkeit halten oder verbessern, aber es gibt keine Zahlentabelle, und die vollständigen Läufe werden auf einem Live-Dashboard gestreamt. Die Ergebnisse stammen von kleinen Modellen, drei Harnesses und einer Aufgabenmischung, die überwiegend aus build-Aufgaben besteht. Wir haben nichts davon ausgeführt.

Unsere Einordnung: Das ist ein interessantes und ungewöhnlich offenes Rezept. Die Idee von safeagents, ein deterministischer Proxy, der Belohnungsmanipulationsversuche blockiert und mit null bewertet, ohne klare Genauigkeitsänderung in der Ablation dieser Konfiguration (±4,1 Punkte), kann allen nützen, die RL auf Coding-Agenten betreiben, und das safeagents-Repository steht unter der Apache-2.0-Lizenz. Die Behauptung, Adapter machten lokale Agenten effizienter, bleibt vorerst ein Versprechen. Vor einem Verlass darauf sollte man die endgültigen Läufe und das Live-Dashboard abwarten und prüfen, ob es einen Adapter für den eigenen Harness und das eigene Modell gibt.