评测框架背锅：换掉 Pi Harness 后 Gemini 成绩大涨

博主 @wenhaocha1 在审计 FrontierCS 2 评测轨迹时发现，Pi Harness 在约 20% 的运行中一遇到 fallback（如安全任务）就直接终止运行，导致 Gemini 4 Argon 的能力被低估。改用 Antigravity Harness 重跑后，Argon 的成绩大幅上涨，已逼近 Opus 5.5，凸显评测框架本身对模型排名的重大影响。

2026-10-26 ~ 2026-10-27 · 3 条相关

• 评测框架背锅:换掉 Pi Harness 后 Gemini 4 Argon 逼近 Opus 5.5 — banteg · 2026-10-26
• 换评测框架后 Gemini 4 Argon 重跑成绩逼近 Opus 5.5 — clmt · 2026-10-26

另有 1 条近重复转述:davidstutz92