IMO 2026 评测：Claude 依赖 harness 追分

Reddit 用户 pequalnp92 等前 IMO 奖牌获得者评测多款大语言模型在 2026 年国际数学奥林匹克试题上的表现。前沿模型 Sol 和 Fable 在无额外 harness 下获得满分或接近满分。Anthropic 的 Claude Sonnet 与 Opus 在网页端表现差，借助 Claude Code 的 harness 有所回升，叠加自研 AutoFyn 框架后进一步提升，但仍未超越前沿模型。

开源模型 GLM 在无 harness 下与 Sonnet 持平，通过 AutoFyn 提升相似。所有非前沿模型均未突破第 3 题关键化简步骤，即使运行 20 小时仍卡在同一瓶颈。Sonnet 在该题给出错误“论证”，暴露可验证领域的幻觉问题。完整数值分数与审计记录见论文。

💡 为什么值得看独立评测显示无 harness 时 Sonnet/Opus 数学表现差，Claude Code 大幅改善，开源 GLM 性能紧跟。