待验证50% 置信基准精确时间
据 UC Berkeley 的一项测试，七种前沿模型在 Claude Code、Codex 等不同 Harness 上的 SWE-Bench Lite 分数没有显著差异，且模型越新差异越小。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/22
首次发现
有效期至：2027/1/20
来源
前Cursor工程师：Agent Harness死了吗？数据飞轮与三样吸不走的东西
bilibili全球AI科技不费眼2026/10/22
涉及实体
相关事实
待验证在无污染基准上，经过训练的8B模型在创意效用指标上超过了Claude Opus 4.8和GPT-6 Astra。62% 相似待验证博主指出基准对比存在四个折扣因素：测试框架不同（TerminalBench 1017 在 ClaudeCode 框架内运行而基線在 DeepSeek 框架内）、Artificial Analysis 自行测试旧版 Flash 的 TerminalBench 仅得 26.8% 而非 31.2%、竞品对比使用 Opus 5 和 GPT 5.6 Sol 而非最新型号、旧模型 NL2 repo 分数在不同表格中不一致（64.0 vs 65.4）。61% 相似待验证T0梯队仅有Claude Code和Codex两款工具，综合评分均为8.4分，并列第一。58% 相似待验证Mistral 7B证明精心训练的7B模型可以匹敌早期的13B甚至30B模型58% 相似待验证格式线索丢失导致的性能下降在六个回答模型上均可复现，覆盖Claude Opus、Sonnet、Haiku三个层级共五款模型以及OpenAI的GPT-5.6。58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1087768API
curl https://kongchang.com/api/v1/knowledge/claims/1087768MCP
get_claim(id=1087768)