StateM：通过Harness扩展在Terminal-Bench 2.1上达到95.3%原始准确率，或仅15美元的前沿模型运行成本

长程智能体即使其底层模型能解决各个组成步骤，仍可能失败：它们可能丢失对可变状态的追踪、未能重新激活早期执行的经验、跳过已知流程或过早停止。我们押注于harness扩展（harness scaling），在不改变模型权重的情况下改进智能体周围的执行系统。我们引入StateM，一个Agent原生运行时，围绕持久状态、阶段局部上下文、带检查的状态转换、可恢复的runbook，以及智能体与用户可共同检查的版本化流程实践来组织执行。在Terminal-Bench 2.1上，StateM将GPT-5.5 xhigh提升至92.1%，参考为83.1%，GPT-5.6 Sol Ultra为91.9%。该runbook无需修改即可迁移到GPT-5.6。使用GPT-5.6 Sol xhigh时，StateM在445次试验中达到95.3%原始准确率，并在至少一次运行中完成全部89个任务。冻结配置把GPT-5.6 Luna从76.7%提升到85.4%，高于84.9%的Sol xhigh参考。使用相同的运行时、runbook结构和核心规则，不到38美元的适配使DeepSeek-V4 Flash在标准超时下从82.7%提升到88.1%，在88任务公共核心上达到89.1%；仅对剩余的延迟敏感任务做扩展，即可匹配所报告的GPT-5.6 Sol 88.8%的最高成绩。最终评分的API用量约为15美元，而GPT参考为574.68美元；DeepSeek总支出为52.22美元。在BusinessBench上，基于开发集构建的模型族专属runbook在留出集上带来0.55 macro和1.34 micro点的提升；两个机制匹配的模型族提升10.04点。当任务共享执行结构时，具体规则可泛化，而控制方法论适用面更广。StateM把选定的复盘发现转化为持久、可执行的前置条件和实践，使学到的控制通过有状态控制变得明确且可强制执行。代码见 github.com/henryqin1997/statem。