最近看到一个很有意思的Harness测试榜单，测试了不同模型和Harness组合…

最近看到一个很有意思的Harness测试榜单，测试了不同模型和Harness组合的效果。 测试方法是用同一个Three.js科幻机库的prompt，让不同的Model和Harness组合来完成，然后比较效果、耗时、Token消耗以及Agent的用户体验。 从测试结果来看，同一个模型换不同的Harness，成本和速度差异很大。这说明Harness的选择对最终效果影响很大。 DeepSeek的表现也很亮眼，验证了国产模型的实力。 Harness作为Benchmark/Eval，我觉得是评估模型能力的重要方式。 这个测试给了我们一个很好的参考，帮助我们选择最适合的模型和Harness组合。