「JIT-Agent」とは何か──harnessそのものを「その場で生成するモデル」に育てるという発想

論文「JIT-Agent」（arXiv:2608.25593、LV-NUS Lab、2026年8月26日投稿）は、タスクに合わせてエージェントharnessをその場で合成する27Bの「harness知性モデル」を提案した。同じDeepSeek-V4-Flashを土台にharnessだけをJIT-Agent製に差し替えると、DeepSearchQAの正答率がClaude CodeやOpenCodeなど5種の既製harnessより高い85.1点まで伸び、しかもトークン消費とAPIコストは最少だったと論文の表4は報告している。コードと27Bのモデル重みはGitHub（bingreeky/JIT）とHugging Faceで公開済みで、この記事執筆時点でGitHubスター数は91。

エージェントの能力はモデルだけでは決まらない。記憶管理・計画戦略・行動プロトコル・ツールとスキルのオーケストレーションを含むエージェントharnessが、基盤モデル自体の貢献度を上回るほど支配的になることがある。それにもかかわらず、harnessの設計は依然として手作業で、タスク固有で、根本的にスケールしない。2026年8月26日にarXivで公開された論文「JIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution」は、このharness設計自体を「学習可能なモデルの仕事」にしてしまおうとする試みだ。著者はLV-NUS Labに所属するGuibin Zhangら16名で、ライセンスはCC BY 4.0。

harnessを「その場で合成する」モデル

JIT-Agentは、任意の既製のagentic LLMに対して、タスクに適応したエージェントharnessをその場で（just-in-time）合成するよう学習された「harness知性モデル」だ。論文はエージェントharnessを、固定された**4モジュール（memory＝記憶管理、planning＝計画、action＝行動、capability orchestration＝ツール/スキルの調停）**のプロトコルに支配される、組み立て可能で機械が生成できる成果物として形式化している。JIT-Agentは、与えられたタスクに向けてharnessをカスタマイズすること、安定・信頼できる実行のためにharnessを修復すること、そして過去のharness構成が蓄積されたアーカイブから性能シグナルを蒸留して自己進化することを学ぶよう訓練されている。

学習は3段階のパイプラインで構成される。Stage Iでharnessのカスタマイズ（タスクに応じた4モジュールの選択・実体化）を学び、Stage IIで壊れたharnessの修復を学び、Stage IIIでは論文が「Evo-GDPO（Evolutionary Group-Decoupled Policy Optimization）」と名付けた強化学習で、報酬・レイテンシ・コストを別々に正規化しながら、既存アーカイブのフロンティアを上回るharnessを提案するよう最適化する。ベースモデルはQwen3.6-27Bで、この訓練を経て「JIT-Agent-27B」というチェックポイントになる。論文中でJIT-Agentがharnessの部品を集めてくる先が「HarnessFactory」という、人間が手書きした11種のharness実装を収めたコードベースだ。

表で見る効果──同じモデルでharnessだけ差し替えた実験

論文の主張で興味深いのは、モデルを固定してharnessだけ入れ替えた「統制比較」（Table 4）だ。DeepSeek-V4-Flashを土台に、既製の5種のharnessとJIT-Agentが生成したharnessを、DeepSearchQAで比較している。

論文は、JIT-Agentが生成したharnessが同じ土台モデルの下で、正答率では最も高い5種中トップのNanoBot（80.4）を4.7ポイント上回り、かつトークン消費・コストの両方で全harness中最少だったと述べている。つまり「たくさん計算を回して正答率を稼いでいるわけではない」という主張だ。

論文によれば、JIT-Agentをharnessの補助として組み込むと、DeepSeek-V4-FlashがDeepSearchQAでGPT-5.6を9.1ポイント、OdysseyBenchで4.3ポイント上回った（GPT-5.6の76.0点に対し、JIT-Agent＋DeepSeek-V4-Flashは85.1点）。すでに強力なGLM-5.2は最大20.2ポイントの改善を得たという。この最大値は、9ベンチマーク中の「DeepPlanning-Travel」（計画タスク）でGLM-5.2単体の62.8点がJIT-Agentとの組み合わせで83.0点まで伸びた箇所を指す。ほかにもxBench-DSで+12.0、AgentIFで+6.9という上げ幅が論文に記載されている。統制された評価では、JIT-Agentが生成したharnessが、OpenCodeやClaude Codeといった成熟したエージェントランタイムと性能面で競争力があり、DeepSeek V4・Mimo-V2.5・Qwen3.6という複数規模のモデルファミリーを一貫して改善したとしている。論文は9つのエージェントベンチマーク（深層調査系のBrowseComp-Plus・DeepSearchQA・xBench-DS、日常業務系のAgentIF・PinchBench、計画系のDeepPlanning-Shopping・DeepPlanning-Travel、ワークスペース系のOfficeBench・OdysseyBench）でJIT-Agent＋GLM-5.2が9列中7列でトップになったとしている。論文は、JIT-Agentが「ジャストインタイムのharness生成」に特化して作られた初めてのモデルであり、harness知性をモデルのスケーリングとは独立した、学習可能・転移可能・複利的に積み上がる能力の軸として確立するものだと位置づけている。

コードと27Bの重みは公開済み──HarnessFactoryの11種の内訳

論文と同時に、著者らはGitHubリポジトリ（bingreeky/JIT）とHugging Face組織ページ（JIT-Agent）を公開している。GitHubのAPIで確認すると、リポジトリの作成日は2026年8月17日、最終pushは2026年8月27日、この記事執筆時点でのスター数は91。READMEには「meta model（harnessを書く役）・execution model（harnessを実行する役）・judge model（結果を採点する役）」という3種のモデルロールに分けて動かす設計と、Python 3.11環境でのセットアップ手順（conda env create -f environment.yml または pip install -r requirements.txt）が書かれている。Hugging Face側では「JIT-Agent/jit-27b」というチェックポイントが公開されており、READMEのサンプルコマンドはMODEL=JIT-Agent/jit-27b SERVED_NAME=jit TP=4 bash scripts/serve_meta_model.shでこの重みをvLLM/SGLang経由でサーブする形になっている。

JIT-Agentが参照する「HarnessFactory」には、論文の言う4モジュール設計に沿って人間が手書きした11種のharnessが収録されている。GitHub上のharness_factory/READMEによれば、その内訳は次の通り。

これらはJIT-Agentがharnessを生成する際の参照素材としてプロンプトに提示される設計だと、READMEは説明している。なお、リポジトリのライセンスはGitHub API上で「Other（NOASSERTION）」と分類されており、MITやApache 2.0のような標準的なOSSライセンスではない。

"harness"という語だけを掲げる論文が2026年8月に相次いだ

この記事を含む今回のバッチでは、2026年8月に投稿されたarXiv論文を横断的に読んだが、「harness」という語をタイトルまたは要旨に含む論文が、確認できただけでも本記事で扱ったDarwinX・AutoDesign・AutoSaddler・Prime Agent・Ouroboros・SemaPLC・JIT-Agentを含め9本にのぼった（同一の8月上旬〜下旬の投稿群の中で実測）。JIT-Agentが提案する「harness知性」という言葉は、この一群の研究の中でもとりわけ踏み込んだ主張で、harnessの設計自体を、モデルのスケーリングとは別の「学習可能な能力の軸」として独立させようとしている。モデルを大きくする・賢くするという従来型のスケーリング競争とは別に、「harnessをどう鍛えるか」という新しい競争軸が2026年8月の時点で急速に形を持ち始めている、と見て取れる。

GitHubのセットアップ手順を自分の環境では実行していない

この記事の数値は、arXivの論文本文（HTML版）とGitHub・Hugging Faceで公開されている一次情報から直接確認したものだが、いくつか手元で試していないことがある。まず、GitHubのセットアップ手順（conda env create -f environment.ymlからのインストール、serve_meta_model.shによるJIT-Agent-27Bのサーブ、run_jitによるベンチマーク実行）は自分の環境では動かしておらず、READMEの記述をそのまま紹介している。Table 4のトークン数・コストは論文が報告した実験環境（使用したAPI価格表やレート制限を含む）に依存する数字であり、別の環境・別の時期にAPIを叩けば同じコストになるとは限らない。GitHubのスター数91・作成日2026年8月17日はこの記事を書いた時点でのAPI応答であり、読者が読むタイミングでは変わっている。またリポジトリのライセンスが「Other（NOASSERTION）」である以上、実際に何が許諾され何が許諾されていないかはLICENSEファイルの原文を自分で確認する必要があり、この記事はその法的な解釈までは踏み込んでいない。「harness知性」という概念が、今回のバッチで扱った他のharness関連論文（DarwinX、AutoSaddler、Prime Agentなど）とどう違うのか、あるいはどう補完し合うのかという業界内の整理についても、この記事の範囲では踏み込んでいない。

関連記事

• ハーネスエンジニアリングとは何か──「エージェント＝モデル＋ハーネス」という考え方
• AIコーディングアシスタント比較──Copilot/Cursor/Claude Code【2026年】
• LLMベンチマークの読み方──MMLU・HumanEval・Arenaの注意点【2026年版】