28849 次测试比较 9 款 coding-agent harness：同模型成绩差异巨大

Joël Niklaus 发布 Harness Leaderboard，共运行 28849 次测试、花费 4746 美元推理成本。测试在 Terminal-Bench 2.1 和 DeepSWE 上对比 9 款 harness，模型固定为 GLM-5.3-Flash、DeepSeek-V4.1-Flash 和 Flint，每任务跑 3 次。平均三款模型，mini-swe-agent 以 51.4% 解题率居首，Pi 以 49.4% 达每任务 0.29 美元，比 mini-swe-agent 便宜约 45%。@opencode 每解一题花费 3.35 美元，是 Pi 的 11.7 倍。最佳 harness 依模型而异：GLM-5.3-Flash 配 mini-swe-agent，DeepSeek-V4.1-Flash 配 Hermes Agent，Flint 配 Kimi Code。