开发技术

kw-bench: Breaking Frontier Harnesses on Real-World Tasks

2026-10-28arxiv.org
★★★★★

kw-bench 用真实世界任务对前沿模型的 agent harness 做压力测试,暴露工程化能力短板。

值得记下

评测对象从模型本身换成包裹模型的 harness,同一模型配不同工程外壳可能得到不同分数,这类基准此前并不多见。

阅读原文↗

内容来源:arxiv.org,版权归原作者所有