FrontierHarness Eval

该评测站在同一模型与任务集合上比较九种 agent harness，核心指标是完成一次任务所付出的成本，而不只看 pass/fail。它把模型本体能力与重试、工具调用、上下文编排的开销放到同一张表里；页面未列具体榜单数值，更适合作为统一测量入口。