HarnessOpt-Bench 评测 RS I

Scale AI 团队发布 **HarnessOpt-Bench**,一个评测 LLM「harness 优化」能力的基准：让优化器改进另一个 agent 的 harness（提示、工具、控制流、记忆等）,并在隔离的评测边界内计分。论文用 5 个前沿模型、4 个下游任务、111 次运行，把「模型能多大程度改进 agent 脚手架」变成可测的独立能力。

关键发现：**Claude Opus 5** 在 OpenCode harness 下于 4 个任务中 3 个居首；沿一个任务从 2025 年 11 月到 2026 年 7 月的版本迭代看，GPT 从 3% 爬到 49% 的 headroom,Claude Opus 从 37% 到 59%。

💡 为什么值得看优化比换模型收益大 1.8 倍，优化能力正成独立关键。