15 种 harness 跑同一任务结果相同引评测之争

xeophon 用 15 种不同的 harness 以最大设置运行 Fable 5.1 完成同一个 Hello World 任务，并全程用满 Claude Max 配额，结果完全相同，由此认为 harness 的选择本身并不重要。该实验引发了关于「评测基准与 harness 应该怎么选」的讨论。

2026-09-18 ~ 2026-09-18 · 2 条相关

• 用 15 种 harness 跑同一任务结果一致，引出「评测基准怎么选」之争 — paul_cal · 2026-09-18
• 15 种 harness 测 Fable 5.1 全同结果:作者称 harness 不重要 — airesearch12 · 2026-09-18