Runta 团队做了一场罕见的公平评测：把模型、任务、运行环境全部固定，只让 harness（代理执行层）这一个变量变化，让 9 个 AI 编程助手同台跑 360 次任务。结果很反直觉：12 种配置的通过率只差 17 个点，但每次通过的成本从 1.05 美元一路差到 18.34 美元，相差整整 17 倍。Codex 通过率最高且成本贴近中位数，Claude Code 通过率与 DSH Creator 相同却贵了 5.6 倍。文章用一道 python-statemachine 任务当标本，讲清了「会做题」和「会省钱」是两件独立的事。

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。