Xiaomi เปิด HarnessX ปรับโครงสร้าง AI ระหว่างทำงาน โมเดลเล็กเพิ่มประสิทธิภาพสูงสุด

Xiaomi เปิดตัว HarnessX แพลตฟอร์มใหม่ที่ทำให้ซอฟต์แวร์ “harness” ของระบบ AI สามารถปรับตัวอัตโนมัติระหว่างการทำงานได้เอง ผลการทดสอบในสภาพแวดล้อมองค์กรแสดงให้เห็นว่าประสิทธิภาพของโมเดลขนาดเล็กเพิ่มขึ้นอย่างมีนัยสำคัญและอาจเป็นแนวทางสำคัญที่ไม่จำเป็นต้องอาศัยการขยายขนาดโมเดลพื้นฐานเท่านั้น

Overview

ในแอปพลิเคชัน AI ระดับองค์กร ความสามารถของโมเดลพื้นฐาน (foundation model) พึ่งพา “harness” หรือโครงสร้างซอฟต์แวร์ที่เชื่อมต่อโมเดลกับสภาพแวดล้อมภายนอกอย่างใกล้ชิด Harness ทำหน้าที่แปลงผลลัพธ์ดิบของโมเดลให้เป็นพฤติกรรมของเอเจนต์ที่สามารถดำเนินการได้จริง เช่น การจัดการข้อความสั่งงาน การเรียกใช้เครื่องมือภายนอก และการจัดการหน่วยความจำ การพัฒนาและปรับปรุง Harness อย่างมีประสิทธิภาพจึงเป็นหัวใจสำคัญของการทำงานของ AI ที่ต้องทำงานในงานที่ซับซ้อนและมีระยะเวลานาน

Challenges of Harness Engineering

การออกแบบ Harness ยังคงเผชิญกับข้อจำกัดหลายประการที่ทำให้การพัฒนาเป็นกระบวนการที่ใช้แรงงานคนเป็นหลัก:

• ความคงที่และต้องทำด้วยมือ: การเปลี่ยนแปลงโมเดลพื้นฐานหรือการเพิ่มเครื่องมือใหม่ต้องแก้ไขโค้ดด้วยตนเอง ซึ่งทำให้การอัปเดตช้าและมีโอกาสเกิดข้อผิดพลาดสูง
• การพึ่งพากันของสถาปัตยกรรม: Prompt, ตัวห่อเครื่องมือ, นโยบายการลองใหม่และการจัดการหน่วยความจำถูกบรรจุในโค้ดเดียวกัน การปรับแต่งส่วนใดอาจทำให้ส่วนอื่นทำงานผิดพลาดโดยไม่ได้รับการตรวจพบ
• การแยกการปรับปรุงระหว่าง Harness กับโมเดล: ข้อมูลการทำงานที่เก็บจากการรันเอเจนต์มักถูกละทิ้งโดยไม่ใช้เป็นข้อมูลฝึกโมเดล ทำให้การอัปเกรดโมเดลไม่ได้นำไปสู่การปรับปรุง Harness โดยอัตโนมัติ

ข้อจำกัดเหล่านี้ทำให้ทีมพัฒนาต้องเสียเวลามากในการปรับแก้โค้ดและสูญเสียคุณค่าจากข้อมูลการทำงานจริง

HarnessX Framework

HarnessX ของ Xiaomi นำเสนอแนวคิด “harness as a first‑class object” ซึ่งหมายความว่า Harness ถูกจัดการเป็นวัตถุที่สามารถจัดเก็บ, ทำสำเนา, และเปลี่ยนแปลงได้โดยอิสระ การแยกส่วนกำหนดค่าโมเดลจากกำหนดค่า Harness ทำให้ผู้พัฒนาสามารถสลับหรืออัปเดตโมเดลโดยไม่ต้องแก้ไขโค้ดของ Harness โดยตรง

Framework แบ่งพฤติกรรมของเอเจนต์ออกเป็นส่วนย่อย ๆ เช่น การประกอบบริบท, การจัดการหน่วยความจำ, ระบบเครื่องมือ, การควบคุมการไหล, และการตรวจสอบ การทำงานของแต่ละส่วนถูกกำหนดเป็น “processor” ที่เชื่อมต่อกับ “hooks” ของวงจรชีวิต Harness ทำให้สามารถเพิ่ม, ลบ, หรือเปลี่ยนแปลง processor ได้โดยไม่ทำให้ระบบทั้งหมดล่ม

AEGIS Evolution Engine

เพื่อให้การปรับปรุง Harness เป็นอัตโนมัติ AEGIS ถูกออกแบบให้ทำหน้าที่เป็นเครื่องยนต์การพัฒนาที่ขับเคลื่อนด้วยข้อมูล trace การทำงานของเอเจนต์ AEGIS ตั้งปัญหาการปรับปรุง Harness เป็นการเรียนรู้แบบเสริมกำลัง (reinforcement learning) บนส่วนประกอบสัญลักษณ์ของ Harness ซึ่งต้องเผชิญกับความท้าทายสามประการ:

• Reward hacking: ระบบอาจหาวิธีหลีกเลี่ยงเป้าหมายโดยไม่แก้ปัญหาจริง
• Catastrophic forgetting: การแก้ไขที่ช่วยในงานหนึ่งอาจทำลายการทำงานที่เคยสำเร็จในงานอื่น
• Under‑exploration: ระบบอาจจำกัดการปรับเปลี่ยนไว้เพียงการแก้ไข prompt เล็ก ๆ แทนการสำรวจโครงสร้างใหม่

AEGIS จัดการด้วยกระบวนการสี่ขั้นตอน:

• Digester สรุป trace ให้เป็นข้อมูลโครงสร้างเพื่อระบุจุดล้มเหลว
• Planner วิเคราะห์สรุปเพื่อกำหนดการเปลี่ยนแปลงเชิงโครงสร้าง
• Evolver สร้างและทดสอบการแก้ไขโค้ดของ Harness
• Critic and Gate ตรวจสอบว่าแก้ไขไม่ทำให้เกิด reward hacking หรือ regression ก่อนอนุมัติการอัปเดต

Evaluation Results

การทดลองใช้ HarnessX ในสภาพแวดล้อมองค์กรจริงครอบคลุมหลายโดเมน เช่น การพัฒนาซอฟต์แวร์และการโต้ตอบกับเว็บ ผลลัพธ์แสดงให้เห็นว่า Harness ที่ผ่านการพัฒนาด้วย AEGIS สามารถเพิ่มประสิทธิภาพโดยเฉลี่ย +14.5 % ใน 15 การจับคู่โมเดล‑เบนช์มาร์ค

สำหรับโมเดลเปิด‑weight Qwen3.5‑9B ที่เป็นโมเดลขนาดเล็ก ผลการปรับปรุง Harness ทำให้การวางแผนเชิงกายภาพ (embodied planning) เพิ่มขึ้นถึง +44 % ซึ่งชี้ให้เห็นว่าโมเดลขนาดเล็กอาจได้รับประโยชน์จากการพัฒนา Harness มากกว่าการขยายขนาดโมเดลเอง

Implications

ผลการศึกษาแสดงให้เห็นว่าการพัฒนา AI harness อย่างอัตโนมัติเป็นเส้นทางสำคัญในการยกระดับความสามารถของเอเจนต์โดยไม่จำเป็นต้องเพิ่มพลังประมวลผลของโมเดลพื้นฐาน การทำงานร่วมกันระหว่างการปรับปรุง Harness และการฝึกโมเดล (co‑evolution) ช่วยขจัด “ceiling” ของการพัฒนาแยกส่วนที่เคยเป็นอุปสรรคในอดีต

สำหรับอุตสาหกรรมเทคโนโลยีและบริษัทที่พัฒนาโซลูชัน AI ระดับองค์กร การนำ HarnessX หรือแนวคิดคล้ายกันไปใช้จะช่วยลดภาระการเขียนโค้ดด้วยมือ ลดความเสี่ยงจากการบกพร่องของสถาปัตยกรรมที่เชื่อมโยงกันอย่างแน่นหนา และเพิ่มประสิทธิภาพของโมเดลขนาดเล็กให้เทียบเท่าหรือเหนือกว่ามอดูลขนาดใหญ่ที่ใช้ในปัจจุบัน

Summary

Xiaomi เปิดตัว HarnessX ซึ่งทำให้การพัฒนาและปรับปรุง AI harness เป็นกระบวนการอัตโนมัติและเชื่อมต่อกับการฝึกโมเดลได้อย่างต่อเนื่อง การทดสอบแสดงว่าประสิทธิภาพของโมเดลขนาดเล็กโดยเฉพาะ Qwen3.5‑9B สามารถเพิ่มขึ้นถึง +44 % ผลลัพธ์นี้บ่งบอกว่าการพัฒนาโครงสร้างซอฟต์แวร์ของเอเจนต์อาจเป็นเส้นทางสำคัญต่อการขยายขีดความสามารถของระบบ AI ในอนาคต.