现在有很多model的排行榜，有什么排行榜是 harness的吗？

我也在寻找一个类似的专业测评

最有希望的可能就是 deepswe 吧

还有那个智商雷达 我问过他雷达站长可以不 他是可以考虑

dsv4f在zcode表现最好，但究其原因发现其实背后是opencode魔改版本。

harness 这个不太好评测吧，拿 sota 模型在所有工具里面跑吗？问题是想 gpt 和 claude 肯定是对 codex 和 cc 做了专门优化的，放到其他地方有很大概率不如原版。这个时候跑出来的结果参考价值，不知道大不大。

我现在在做一个大模型的真实需求测试

https://linux.do/t/topic/2690403/

用了不同的 harness 和模型。主要就是测试各家工具和自家模型的适配度。

这么一说，我感觉 deepseek-v4-flash-0731在opencode的表现好，是否意味着 deepseek的harness也是在Opencode上魔改的。

目前看下来就 terminal bench 更符合 harness 排行榜的了，GPT-5.5 时代 Droid 刷榜后体验了一下真的是个不错的 harness，后来模型更强了感觉 harness 带来的差异似乎确实小了很多。

terminal bench 也有过一些作弊被扒的事，harness 里面的细节区别都太多了，哪怕同一个 harness 同样的题不同时间做出来的结果也会相差极大。

不排除，但是也不一定；因为它是要和PRO版本一起端出来的，等吧。

不稀奇,小米的都是,因为opencode他的确有自己的过人之处,首先产品早,使用人群多,而且迭代时间长,很多东西都已经比较稳定

我觉得 OpenCode 挺好的。它兼容性很强，很多插件和相关配置都可以直接适配。很多小众的Agent 工具其实都不是很兼容，装个插件都要想很多办法。

确实，不同的公司也会按照员工的使用、模型特点优化自己的harness。所以某个公司的model+harness会至少是一个不赖的组合。

但是harness的开发，现在还有人的参与。人参与了，就是一个变量，可能这个harness就偏离了本公司model的最优点。所以可能在其他harness上，本公司的model会有更好的效果。

然后可能就有一个harness,会是当前相对更好的设计。

所以拿每个公司的sota模型在各个harness上测试一下，我觉得还是有参考价值的。

应该没有这种排行榜，但是harness也是不断适应和进步吧

主要是 harness 变化太快了，测试很容易过期，而且很贵。

现在的harness太多，确实会比单纯的测试模型要贵十几倍。 可能可以只测试harness大版本的更新。

我目前确实没有看到类似的榜单。model在不断的进步有榜单，我们harness进步怎么不能有榜单了，气抖冷ahahhah

持续关注，希望各佬能够找到相关的评测信息分享一下，目前我个人使用的是pi，然后安装了pi-web,目的也是希望更轻量化。但是目前体验还是不够优秀，需要搭配一些符合自己工作内容的插件

claude优化我信，codex真的有优化吗