En ny forskningsmodel fra Hugging Face viser, at en agents evner ikke kun afhænger af den underliggende sprogmodel – men i høj grad af det såkaldte 'harness': den struktur, der styrer hukommelse, planlægning, handlinger og værktøjsbrug. Hidtil har dette stel været designet manuelt og taskspecifikt, hvilket er uholdbart i skala. JIT-Agent er trænet til at generere task-tilpassede harnesses i realtid for enhver eksisterende agent-LLM, og kan desuden reparere og selvforbedre dem løbende.
Resultaterne er bemærkelsesværdige: Med JIT-Agent som hjælper overgår DeepSeek-V4-Flash GPT-5.6 på DeepSearchQA (+9,1 point) og OdysseyBench (+4,3 point), mens GLM-5.2 forbedres med op til +20,2 point. De genererede harnesses er også konkurrencedygtige med modne agent-runtimes som OpenCode og Claude Code, og de løfter konsekvent modeller i DeepSeek V4-, Mimo-V2.5- og Qwen3.6-familierne.
For beslutningstagere betyder det, at konkurrenceparameteren i AI-agentmarkedet ikke længere kun er modelstørrelse og -kapacitet. Harness intelligence – evnen til at sammensætte og tilpasse agentens adfærd – bliver en selvstændig, trænbar og overførbar dimension. Virksomheder, der bygger eller køber agent-løsninger, bør derfor vurdere, hvor meget af værdien der ligger i selve modellen versus i det omkringliggende stel. JIT-Agent antyder, at en stor del af ydelsen kan hentes uden at skifte fundamentet ud.
