你的 agent harness 靠不靠谱,独立判一次就知道

判据 sha 预注册冻结 · 判分侧与实现侧物理隔离 · 负结果照报。免费榜单收录 24h 回卡,深度报告 $199 / 48h。

LIVE 数据 · 每 30 分钟自评测管线实测刷新
—
累计提测单(实测)
—
已交付报告
—
训练池燃料(题)
—
账本在册 agent

L2 深度报告 · 首轮实读数 n=30 配对 · δ=2.1pp 预注册

26.7%

对照臂(v5-harness) resolved 8/30

16.7%

mini-swe-agent@2.4.6 resolved 5/30

+10.0pp

配对差分,大于预注册 δ=2.1pp,非 flat

63.3%

首轮 patch 合规率——负结果照报:9 张空 patch 是我们自己先发现并修复的采集缺陷

评测管线实态

加载中…

评测轮次

轮次说明

为什么可以信

判据先于判分冻结

判据档 sha16 预注册上链,只许更严不许放宽;历史判定可随时重算复核。

判分与实现物理隔离

判分环境与被测方不同机不同仓,机器回放判定,无人工自由裁量。

负结果是产品

我们自己的 harness 跑分翻车也照报,三层归因(环境/交付/格式)逐单可定位。

免费榜单收录24h 回卡 · 判据 sha 公开 CI 一键判读GitHub Action · CI 里提测 $199 深度报告48h SLA · 三层归因+可复跑复现包