九款编码 Agent Harness 实测榜单发布

Joel Niklaus 发布 Harness Leaderboard，通过 28,849 次试验比较 9 款编码 Agent Harness；固定模型、provider 和推理强度后，mini-swe-agent 以 51.4% 的三模型平均解决率居首，openclaw 为 27.3%，另有 4 款与前者统计学打平。 测试使用 GLM-5.3-Flash、DeepSeek-V4.1-Flash 和 Flint，在 Terminal-Bench 2.1 与 DeepSWE- 基准上让每个任务重复运行 3 次；推理费用合计 4,746 美元。该结果用于比较不同 harness 搭配开源模型的编码任务表现。

AI 根据报道生成 · 52 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。