大小不重要：Harness设计决定小语言模型的运行稳定性

本文通过实验分析了Harness工程水平如何影响小语言模型（SLM、2-3B参数）的运行性能。三个Harness条件 - 仅模型（原始提示）、最小外壳（包装标签）和 4 阶段管道（计划->执行->验证->恢复） - 应用于 24 个任务中的三个模型（Gemma4 E2B、Qwen3.5:2B、LLaMA 3.2 3B），比较任务成功率 (TSR) 和有效 TSR (VTSR)。该管道Harness在 Gemma4 E2B（T1-T5，21 个任务）上实现了 TSR=0.952 和 VTSR=1.000。在两个模型中观察到非单调现象 - 最小壳 TSR < 仅模型 TSR。在仅 LLaMA 3.2 3B 模型中，七种格式违规导致 TSR=0.429，揭示了脚手架崩溃：模型在没有Harness支持的情况下放弃了复杂格式要求下的 JSON 结构。消融显示计划和恢复各贡献约 24.7% 的总增益。所有管道运行中的 VCR（验证捕获率）=0.625。