Mingbird：本地优先Agent工具，使小型开放模型能够完成实际任务

小型开放权重模型（2-9B）在普通笔记本电脑上运行，但在云规模Agent利用下，它们很少完成真正的任务：工具预填充溢出上下文，自我纠正发散，工具演示循环，任务被默默放弃。我们通过受控的单机比较和一个第三方基准提供证据，表明这些故障的很大一部分可归因于Harness而不是模型。我们介绍 Mingbird，一个适用于 Windows 和 Ollama 的本地优先Agent工具，其十种机制逐点补偿小模型故障形式，其中三个具有代表性：字节级净零预填充预算、在接受完成之前重新读取任务的完成门以及签名级循环检测。在 LRAB（受控比较持有机、模型、预算和固定评分）上（4 个工具 $\times$ 4 个开放模型 (2B-35B) $\times$ 18 个真实任务，确定性工件评分），Mingbird 总体达到 0.886，而 0.631（鹅）、0.479（开放代码）和 0.405（Agent迷你）， 288 个细胞已发表；在 $τ^2$ 基准（278 个任务、三个分支、一个协议）上，总计为 0.856，对比 0.791 和 0.737；而针对相同 18 项任务的前沿模型探针跨Harness跨度为 0.997 到 0.478，结构良好的支架彼此之间的间距保持在 0.072 以内。留一机制消融被报告为仅定向的：同一臂的当晚复制将其平均值移动最多 0.069，即每个名义单试验增量的大小，并且一次批量匹配的比较（完整机制堆栈与单独的文本重新读取）为可执行完成防护在三个复制中提供了配对的 +0.10。证据具有明确的局限性：自建基准、单台机器和单次试验评分。