
AI cho lập trình viên7 phút đọc
Đánh giá 22 coding agent harness: 64,5% chi phí suy luận đổ vào các lần chạy thất bại
FrontierHarness Eval v1.1 chạy 27.280 lần thử với 22 harness và 5 model, phát hiện mỗi model có harness tối ưu chi phí khác nhau và phần lớn chi phí đến từ các lần chạy không đạt.