7.2
深览指数
科技人人都是产品经理·Ai学习的老章··AI 生成
DeepSeek V4.1 Flash 1017 绝配 Harness 易主，尽快拥抱 DeepSeek Harness！
第三方盲测 Bug Hunt Bench 数据显示，DeepSeek-V4.1-Flash-1017 更换运行框架后，DeepSeek Harness（DSH）在 Max 档和 High 档的 Bug 修复得分上反超了 Claude Code，分别高出 3.6 和 2.8 分，甚至越过了 Claude Opus 5.5 的成绩。但代价是 Token 消耗和账单分别飙升 53% 和 82%。文章将评测视角从“模型比拼”拉升至“模型与脚手架（Harness）的耦合”这一新框架，给出了不同场景下的选择建议。适合关注大模型 Agent 工程落地、编程工具选型的技术决策者阅读。原文 ↗
核心观点
- ▍同款模型（DeepSeek-V4.1-Flash-1017）换用不同的 Harness（运行框架），其性能排名会发生彻底反转；评测单位已从“看模型”转向“模型 × Harness”。
- 01在 Bug Hunt Bench 盲测中，DSH（v0.2.1-rc.2）在 Max 档拿下 42.7 分，高于 Claude Code 的 39.1 分，净提升 +3.6。
- 02DSH 在 High 档同样以 39.2 分超越 Claude Code 的 36.4 分，净提升 +2.8。
- 03DSH 搭档 1017 的 Max 档得分（42.7）超过了跑在 Claude Code 里的 Claude Opus 5.5（41.7 分）。
- 04DSH 在单次任务中的实际账单为 $1.84，相比 Claude Code 的 $1.01 增加了 82.2%。
- 05DSH 在深水区排查中顺带修复了 44 处不计分的历史遗留代码缺陷，是 Claude Code（22.9 处）的 2 倍。
- 06文章引用 ArXiv 论文《Finding the Right Fit》，该研究通过 6200 多条轨迹发现，换一个 Harness 就会让模型榜单排名彻底反转。
反方 / 局限
- — DSH 的高性能是以极高的 Token 消耗（+53.1%）和交互轮次（+19.8%）为代价的，对于预算严格受控的日常中轻度编码场景并非最优解。
DeepSeek-V4.1-Flash-1017DeepSeek Harness (DSH)Claude CodeBug Hunt BenchPaweł HurynClaude Opus 5.5GPT-6 AstraArXivFinding the Right Fit: Model–Harness Interactions across Agent Tasks
8 分钟 · 4 卡片 · 12 资料
读原文 →