我们是不是高估了 Harness 对 Coding Agent「能力」的提升?
这篇论文中把模型固定,只替换 Claude Code、mini-SWE-agent 和 OpenCode,在 SWE-bench Verified 上重新测试。
结果很有意思。
在 447 个任务上,最重的 Claude Code 和最轻的 mini-SWE-agent,成绩差异落在 5 个百分点以内。
在 45 个高难任务、5 个模型上,换 Harness 会让 13% 的任务结果发生变化;但什么都不改,只把同一个配置再跑一遍,同样有 13% 的任务会翻转。
也就是说,很多看起来像 Harness 带来的提升,可能还没有明显超过运行本身的随机波动。
真正拉开差距的反而是成本。
同一个模型、同一批任务,不同 Harness 的单任务成本最高能差 3 倍。主要原因很简单:系统 Prompt 和工具 schema 会在每一步重复进入上下文,初始开销再被执行步数不断放大。
论文还提醒了一个容易被忽略的问题:
45 个任务连 13 个百分点的差距都只有约一半概率能检出;即使做到 447 个任务,分辨率也大约只有 5 个百分点。
所以我们得把 Harness 的价值拆开看了。
它当然会影响 Agent 怎么工作,但很多时候,最稳定、最容易测出来的差异,可能先体现在 token、成本和执行效率上。
📎 arxiv:
顯示更多