Databricks 用真实 PR 构建了一套编程 Agent 基准测试体系，覆盖千万行代码。结果出人意料：开源模型 GLM 5.2 已能匹敌 Opus 4.8，而 Harness 选择对成本的影响比模型本身还大。

在 GraphQL-go-tools 的 26 个真实 PR 上跑完 GPT-5.5 Codex 四种推理强度后，数据告诉我们：测试通过率会骗人，high 是性价比甜点，xhigh 是质量模式。