開啟Benchmark的Harness時代：15家學術機構聯合釋出HarnessEval

8 月 13 日，DeepSeek 開源 Agent Harness dsh，將 “Harness” 這個原本更偏工程語境的概念，推到了整個 AI 行業討論的中心。

今天一個 Agent 的最終能力，早已不能簡單等同於底層模型能力。模型之外還有上下文管理、工具呼叫、記憶、任務拆解、執行環境、許可權管理和結果驗證。真正決定一個 Agent 能不能穩定完成複雜任務的，是這些元件能否被組織成一套穩定、可執行的工作流系統。

顯然，如果只把 Harness 理解為 Coding Agent 一種產品形態，其實嚴重低估了它的意義。幾乎所有複雜智慧流程，都需要一個負責規劃、協調與驗證的系統層。Agent 如此，Evaluation 同樣如此。

近日，MirroS 聯合清北，Berkeley， MIT，xbench，輝達等研究機構共同釋出 HarnessEval，將 Harness 這一概念進一步帶入評測系統。它試圖回答一個比 “如何讓模型完成任務” 更基礎的問題：

如果被評測的 AI 已經從一個模型變成了一套複雜系統，什麼樣的 Evaluation 才足夠有效？