跳到正文
arXiv · AI· Yilun Yao, Xinyu Tan, Chao-Hsuan Liu, Yaoming Li, Zhengyang Wang, Zongwei Lv, Wenhan Yu, Zhewen Tan, Yuxuan Tian, Lin Sun, Xiangzheng Zhang, Guangxiang Zhao, Tong Yang·· 2026-10-16AI 评分34

Harness-Bench:跨模型与现实工作流评估 Agent 执行层基准

Harness-Bench: Evaluating Agent Harnesses across Models and Realistic Workflows

AI 导读

Harness-Bench 提出了一项包含 106 个沙箱离线任务的基准,用于在共享任务环境与预算下评估不同模型后端及 harness 配置对 agent 表现的影响。

来源:arXiv · AI · arxiv.org