研究用私有测试集隔离智能体编程中的框架效应
原文标题：Harness or Model? Isolating the Harness Effect in Agentic Coding with a Contamination-Controlled Private Suite
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文通过私有、抗污染的256项任务套件，对比同一模型在不同智能体框架下的表现，检验厂商原生框架是否更优。结果显示Claude Opus 4.8与GPT-5.5在原生与中立框架间均无显著平均优势，且Opus在不同任务分层上呈现相反趋势。研究还发现中立框架每解决一题成本更高，并修正了此前因遥测缺陷导致的成本数据错误。
- 问题
- 厂商原生智能体框架是否真的比中立框架解决更多编码任务。
- 方法
- 用私有抗污染的256项仓库与赛后竞赛任务，对同一模型在不同框架下做配对对比。
- 结果
- Opus 4.8为-1.25pp、GPT-5.5为+1.25pp，均无显著平均优势；中立框架每解决一题成本高1.2至1.6倍。
- 影响
- 选型不应默认原生框架更优，需按任务分层与成本实测，且注意分层结论可能不稳定。
深读 · 结论先行AI 生成展开看要点与影响 ↓
256项私有任务实测：厂商原生框架对同模型无显著平均优势，成本反高1.2~1.6倍
- •私有抗污染套件含256项仓库与截止后竞赛任务，800次计划运行中792次由隔离oracle评分
- •Opus 4.8原生框架为48.8%对中立50.0%（-1.25pp），GPT-5.5为55.6%对54.4%（+1.25pp），置信区间均跨零
- •Opus分层相反：61项仓库任务落后9.0pp，19项竞赛任务领先23.7pp，作者称分层为看数据后选定、需设计性复现
- •按冻结列表价重算，中立框架每解决一题成本为原生1.3~1.6倍（Opus）与1.2倍（GPT-5.5）
- •81次撞墙钟上限取消的运行中，22次其实已产出通过补丁
为什么重要：「原生框架更强」是选型默认假设，这条用配对同模型对比给出反例，影响团队在harness选型与成本核算上的判断。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。