في عالم الذكاء الاصطناعي، تلعب النماذج الطرفية (Terminal Agents) دورًا محوريًا في تنفيذ الأفعال الناتجة عن توليد نماذج تقليدية. ولكن، كما هو معروف، يكفي أن يكون الأمر الناتج عن النموذج غير موثوق به، مثل أمر خاطئ في تثبيت الحزم، ليؤدي إلى عواقب سلبية تعرقل التقدم اللاحق حتى وإن كان بالإمكان للنموذج تقديم خيارات أفضل في الأصل.

وللتغلب على هذه التحديات، تم تقديم نظام جديد يُسمى 'Mid-Harness'، يقوم بأخذ عيّنات من الأفعال والتحقق منها قبل إرسال أحدها للتنفيذ. هذا النظام لا يتطلب تغيير مولد الفعل أو الإطار (Harness)، بل يركز على ما يحدث عند الحدود بينهما.

مع استخدام مولد TMAX-9B، أظهرت النتائج أن أخذ المزيد من العينات يعزز الكفاءة، خاصة تحت التحقق القوي. فعلى سبيل المثال، استطاع المراجع GPT-5.6 Sol رفع نسبة النجاح Pass@1 من 50.00% إلى 68.03% عند الاعتماد على 8 أفعال مأخوذة كنماذج.

عندما يُستخدم نفس النموذج TMAX-9B كمراجع، كان أداء التحقق الثنائي (Pairwise Verification) هو الأفضل من بين الأساليب المختلفة التي تم تقييمها.

تساعد تقنية 'Mid-Harness' على تحسين نتائج الأداء في نماذج مختلفة ومقاييس متعددة. هذه الاكتشافات تشير إلى أن تحسين الأفعال يعتبر هدفًا واعدًا في ترقية نماذج الذكاء الاصطناعي، مما يفتح الأبواب نحو آفاق جديدة من الفعالية والدقة.