在 Agent 时代，评价模型得看它在 harness 下的表现，这也是为什么现在的榜单都那么野🌐 链接:

比如知名野榜AA榜，我看了一下他在coding这方面采用的评测子集，就发现一个问题，它FrontierCode 使用 AA 的 Stirrup 框架，Terminal-Bench-Science 使用 mini-swe-agent。二者都不是直接在 Codex 或 Claude Code 这样的专武中测试。那么这样产生的测试结果和大多数人的实际使用其实也谈不上有什么关系。