换壳差24分：Harness怎么选
同一开源模型，换一层 coding harness，准确率就能差出一截。这周两份评测都在说：先选壳，再谈谁更强；题太简单时，准确率并列没有参考价值，要看成本和速度。以下为作者公开数字，非我们实测。 一，@joelniklaus Harness Leaderboard。固定模型与推理强度，只换壳：9 个 harness，28,849 次试验，跑在 Terminal-Bench 2.1 与 DeepSWE。三模型均值：mini-swe-agent 51.4%，OpenClaw 27.3%，约差 24 分。Pi 约 $0.29 / 解出一题，OpenCode 约 $3.35，约 11.7 倍。最佳壳随模型而变——GLM 上 mini-swe-agent，DeepSeek-V4.1-Flash 上 Hermes，Flint 上 Kimi Code。故事是选壳，不是某一模型公告。附 Harness Lens：34 个 harness 的 prompt / 工具文档。 二，@garrytan 前沿模型初步评测（帖内截图，标 preliminary）。7 套设置、同 20 题，准确率全在 71–79%；因 14/20 题各设置同分，他称测试过易，更难的 Terminal-Bench 重跑进行中。Opus 上 Claude Code 约 $0.22、约 40 秒，OpenClaw 约 $0.44、约 99 秒；Sol 上 Codex 最便宜最快，约 $0.17。 选型钩子：壳层单独就能动准确率与账单；题简单时别被准确率并列骗到。本篇只谈 harness 选型，不延伸到降本方法论或个人工具栈。HF Space 页面本次未读出表格；Joel 数字以作者长帖为准，Garry 以截图为准（preliminary）。 Harness 编码Agent 选型对比 ClaudeCode 开源评测