“马鞍税”，一篇非常有意思的 harness 横比文章

我之前用几个任务测了 Pi 和 CC，发现 Pi 确实非常省 token，但是质量一言难尽，问了几轮都达不到点子上，没办法换成 CC 一轮过去，然后又切回 Pi 继续干。

后面就是优先用 Pi，解决不了的，切到 CC 干完再切回去

其实从这个测评来看，国产模型用 CC 还是很有道理的

@longaiwp 千问系列就明确官方跑分都是 claude code 环境，反正模型结构注定放弃响应速度了，不如提高跑分上限。

这两个评测集选择的非常差，SWE-bench Lite / Terminal-Bench 2 这俩在训练时已经污染了，pi 在新一点的评测集和实际项目表现中没有这么好

Terminal-Bench 2 的结果稍微正常点，SWE-bench Lite 的结果真是离了大谱，O/A 家的模型在对方的 harness 里居然跑分更高...我要是跑出这么个结果，不"优化"下数据都不敢拿出来

@yh7gdiaYW 可能是跟 claude code 接入 GPT 模型需要代理有关，代理还是有信息损失和额外干扰。

不过这个结果确实有点娱乐效果。太逗了。

我也评测过，所以只用自己写的 agent
https://i.imgur.com/a/0c6Sov2.png

图没发成功

我之前做过 不同 coding Agent 用 harness 和 原生表现的差距 https://mp.weixin.qq.com/s/k92i1_ORy5mDE1bOdRG-kw “理想照进现实：Kimi-K3 编程能力深度测评” 里面有 kimi3 、DeepSeek 。coding agent trae 、qoder ，对比非常明显