新加坡南洋理工大学安波教授团队发布报告《Finding the Right Fit: Model-Harness Interactions across Agent Tasks》，系统比较了 OpenHands、DSH、PI 和 openJiuwen 四套可配置 Harness 与多个模型的组合表现。实验在 TUA-Bench、ALE-CLI 和 Terminal-Bench 4 三个任务集上形成 66 项比较记录，结论指出 Harness 的好坏取决于其与模型、任务的具体组合，而非固定属性。
SynthePulse Insight · AI 深度解读会员精读
版本 1 · 1 个来源
同一模型接入不同 Harness，表现可能方向相反地变化；原生搭配不必然最优；成本高 4.3 倍反而得分更低。南洋理工大学安波教授团队用 4×5×3 的交叉实验说明：Harness 没有固定排名，选型的正确单位是模型、Harness 与任务构成的完整配置。
开发 Agent 应用时，选 Harness 常被当成选一个通用最优解。新加坡南洋理工大学安波教授团队发布的报告《Finding the Right Fit: Model-Harness Interactions across Agent Tasks》给出的答案相反：Harness 的好坏不是固定属性，而取决于它与模型、任务之间的具体组合。
实验设计本身就是这个结论的前提。研究选取 OpenHands、DSH（DeepSeek Harness）、PI 和 openJiuwen 四套可自由配置模型的 Harness，分别接入 Claude Opus 5、GPT-6 Astra、GLM-5.3、Kimi K3 和 DeepSeek V4 Pro 五个模型，再放到三个定位不同的任务集上：TUA-Bench 侧重通用终端操作，ALE-CLI 聚焦专业工作流，Terminal-Bench 4 包含难度更高的命令行任务。
4×5×3 构成 60 项结果，加上 Codex-GPT 与 Claude Code-Claude 两组原生搭配在三个任务集上的 6 项结果，最终形成 66 项记录的比较矩阵。由于三个任务集的任务构成和评分标准不同，研究没有把结果合并成一个综合分数，而是分别比较。
计分采用固定任务集分母：TUA-Bench 120 项任务、ALE-CLI 99 项任务、Terminal-Bench 4 共 63 项任务；前两者允许部分得分，Terminal-Bench 4 按通过或未通过计分。因基础设施故障中断的任务重跑，每个任务只按最后一次运行计一次分，未得到有效结果的任务记 0 分。
运行配置被尽量统一：所有 Harness 通过 OpenRouter 调用模型并固定路由到各模型官方服务商，推理强度统一设为 high，上下文管理、重试和轮数上限保持各 Harness 默认设置。TUA-Bench 和 Terminal-Bench 4 使用 Harbor v0.22.0 运行，ALE-CLI 使用任务集自带运行器，且所有 Harness 都接入任务集提供的 14 个计算机操作工具。
需要留意的是比较边界：Codex 与 Claude Code 只接入自家模型，没有参与完整交叉实验，因此原生搭配与可配置 Harness 的比较并不完全对等。结论的适用范围也被限定在这四套 Harness、五个模型和三个任务集之内。
本文全部事实来自机器之心对南洋理工大学安波教授团队报告《Finding the Right Fit: Model-Harness Interactions across Agent Tasks》的报道，属二手转述，未引入报告之外的第三方验证。报告本身为 arXiv 预印本，实验覆盖四套可配置 Harness、五个模型和三个任务集，Codex 与 Claude Code 仅接入自家模型、未参与完整交叉实验，原生搭配与可配置 Harness 的比较并不完全对等。报告中的最佳配置是事后比较得出的，自动路由策略尚无验证；Kimi K3 与 openJiuwen 的稳定适配仅给出三个可能原因，未做因果确证。
主报道
主报道来源