谷歌研究院：GLM-5改外壳平均分涨十几分 一家美国研究院开源了一个研究项目 Harness²，干的事是让 AI 自己动手改它干活时手边那套工具（后面简称「外壳」）。论文里，同一个模型只是把工具自动改了一遍，平均分就从 64.2 涨到 75.7。 我拿同一个模型，在 pi 和 omp 两个现成工具里各跑两次同一道题，同一句提示一字不改，四次都修好了。差别确实有，但全落在过程上，没落在结果上：两边给的工具，4 个对 11 个，缓存命中差了三四倍，账单几乎一样。 结论是这题太小，两边打成平手 —— 换外壳这件事，在小任务上不一定显形。这是我自己四次实测的判断，不是论文的结论，两件事分开说。看完你至少能判断一件事：钱该花在模型上还是花在工具上。觉得有用就收藏，下次给 AI 换工具之前，先照着片里那三处查一遍。