FrontierHarness 评测：同一模型换外壳成绩差 17 个点

观澜与 Legora 团队发布 FrontierHarness 评测，对比 12 种 coding agent「外壳」（harness）在相同任务上的表现。360 次实测显示，同一模型更换不同 harness 后成绩可相差 17 个百分点，外壳成本差距更高达 17 倍。评测认为，一年前用户关心的是「选哪个模型」，如今在垂直 AI 编码领域，关键问题已变成「选哪个 harness」。其中 Codex 以 66.7% 的成绩位居榜首。

2026-09-03 ~ 2026-09-03 · 2 条相关