感觉还挺有意思的 FrontierHarness Eval v1.1 直播跑分，21 harness × 5 model × 62 task × 4 次尝试：总计 26,040 次运行，比此前的 v1.0 360 次的有大幅提升（规模扩大了 72 倍）
• 请不要在回答技术问题时复制粘贴 AI 生成的内容
1 replies • 2026-11-11 09:13:49 +08:00
 |
sentinelK2 days ago
1
目前看 codex cli 和 pi 是最大赢家，坐等跑完看最终结论了。
btw：理论上讲 dsh 极简和 pi 区别也不大，不知道为何目前差距这么大。 |
Select Language