Finding the Right Fit: Model-Harness Interactions across Agent Tasks

研究在三套基准上测了 66 个模型 - harness 配对，显示模型排名会随执行框架翻转。Terminal-Bench 4 中 Claude 在 OpenHands 比 GPT 高 7.94 分，却在 PI 低 30.16 分；openJiuwen 让 Kimi 在三项基准均达到自身最高，优势介于 5.61 - 11.11 分，厂商原生 harness 并非稳定最优。