Claude Code、Codex、DeepSeek Harness 都在证明一件事：同一个模型，换一套工具、Context、Loop 和 Runtime，最终表现可能完全不同。
现在，这个思路开始进入 Benchmark。
MirroS 联合清华、北大、MIT、Berkeley、CMU、NVIDIA 等 15 家高校及研究、产业机构发布了 HarnessEval。
它最有意思的地方，不是又做了一套新的评测题，而是把评测本身 Agent 化了。
传统 Benchmark 通常是：数据集 + 固定指标 + 一个最终分数。
HarnessEval 则会先理解当前 Case，再动态选择 Eval Skill、调用工具、拆分子任务、收集 Evidence，最后生成评测结果。
也就是说，它不只是告诉你：
模型得了多少分。
还试图回答：为什么是这个分？哪里做错了？证据是什么？
官方目前构建了 330 个评测 Case、11 个专业 Eval Skills，并对 18 个世界模型进行了 5,940 次 rollout。
我觉得这里真正值得关注的是一个趋势：Benchmark 正在从“数据集”变成“评测系统”。
过去我们建设 Eval，重点往往是准备评测集、定义指标、批量跑分。
但到了 Agent 时代，复杂任务越来越 Case-specific，同一个评测集里的不同任务，本来就未必应该用完全相同的方式判断。
未来更合理的模式可能是：
Eval Dataset 决定“测什么”，Eval Harness 决定“怎么测”。
先理解任务，再选择评测 Skill； 再拆解判断过程，绑定 Evidence； 最后不仅给 Pass / Fail，还能解释 Why Fail。
当被评测对象已经从 Model 变成 Agentic System，评测系统本身，可能也必须 Agentic 化。
大家都在研究 Agent Harness。
现在看来，Harness 的下一站，很可能就是 Eval。
#Benchmark #Harness #AIEvaluation #HarnessEval #AI #Agent #AgentHarness
