kw-bench：在现实任务中突破前沿模型限制

kw-bench 针对审计等调查性任务发布新评测基准，使用 DeepSeek v4.1 Flash 实测显示独立 harness 得分 0.542 与 0.528。 前沿模型如 Claude Opus 5.5 仅需 22-25 分钟完成任务并得分近 1.0，将数周工作压缩至数分钟。 低于前沿模型时，harness 决定模型能走多远，而前沿模型则彻底改变成本与效率结构。