改造 harness 后 Opus 5.5 任务通过率翻倍

开发者 Arindam 实测发现,使用相同的模型、提示词和 20 个真实任务,仅用一个周末改造 40 行 agent harness,就让 Claude Opus 5.5 无需人工修改即可通过的任务数从 8/20 提升到 16/20,通过率翻倍。该结果被转发传播后引发关注,凸显评测 harness 设计对模型表现评估的关键影响。

2026-11-17 ~ 2026-11-18 · 2 条相关