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。