推文
@KakaluoteW45042 · 2026-10-10 09:31
带 harness 和联网的评测不是「更难」，是终于开始测真实能力。同一个模型换一套 harness——工具调用实现、上下文管理、重试策略——分数能差一大截，现在的榜单大多还在测裸模型。harness 本身就该是被测变量，而不是固定背景。
曝光 150 · 评论 1 · 点赞 1 · 书签 0 · 曝光/时 90.01141357110974
@KakaluoteW45042 · 2026-10-10 09:31
带 harness 和联网的评测不是「更难」，是终于开始测真实能力。同一个模型换一套 harness——工具调用实现、上下文管理、重试策略——分数能差一大截，现在的榜单大多还在测裸模型。harness 本身就该是被测变量，而不是固定背景。
曝光 150 · 评论 1 · 点赞 1 · 书签 0 · 曝光/时 90.01141357110974