IMO 2026 测试显示 harness 能提分，但前沿模型仍领先一大截

pequalnp92 · reddit · 2026-07-26

这篇对多个 LLM 在 IMO 2026 上的表现做了比较，结论是：前沿模型几乎不受 harness 影响就能拿到接近满分，而对其他模型来说，编排方式会显著改变结果。

主要发现：

• frontier models（sol、fable） 不管有没有 harness，都能做到接近满分
• Sonnet / Opus 在网页端表现较差，换成 provider harness（Claude Code）后变好，再接入作者自定义的多智能体 harness AutoFyn 后进一步提升
• 开权重模型 GLM 的无 harness 表现大致与 Sonnet 接近，也能从 AutoFyn 中获得类似增益
• 即便加上 harness，作者团队仍没法追上 frontier 模型

作者还指出，最难题目依然需要关键数学洞见，不是单靠检索或验证就能解决；另外，模型在可验证领域里仍会幻觉，例如 Sonnet 曾给出过错误解答，需要额外评分和人工复核来发现。

原文链接 →

「编程与Agent」频道最新

• AI 编程工具的三道门槛：验证、MVP、生产化 — tristanbob · 2026-07-26
• LiveKit 新增 huddles，让人类和 agent 同场对话 — jasonkneen · 2026-07-26
• AI 编程助手先改上千行，最后承认只该动一点点 — xeophon · 2026-07-26
• Agent 做幻灯片生成要有严格 schema 和确定性回退 — Live-Purpose-641 · 2026-07-26
• AI 编码评测应展示性能、成本和耗时分布 — zainhas · 2026-07-26
• 官方 Obsidian CLI 指南：AI agent 可直接驱动知识库 — dSebastien · 2026-07-26

更多「编程与Agent」频道 AI 资讯 →