IBM Research：同一模型换 harness，AppWorld 完成率从 30% 到 81%

IBM Research 在 Hugging Face 博客写了一组对照实验：固定开源权重模型 GLM-5.3-flash，在 AppWorld 的 90 个任务（30 个场景）上只换 agent harness。结果任务完成率（TGC）分别是 CUGA 81.1%（73/90）、Hermes 46.7%（42/90）、Deep Agents 30.0%（27/90）；更严的场景全过率（SGC）为 66.7%、26.7%、6.7%。作者强调这不是给 Hermes 或 Deep Agents 判死刑——二者本来就不是为多应用 API 活设计的——而是说明 harness 必须贴合任务。CUGA 是 IBM 开源的企业向 harness，强调策略可在 harness 层强制执行，而不是只写进提示词；评测配置放在公开的 harbor-eval 仓库。

由 dalao.ai 撰写：标题、摘要和“为什么重要”是我们自己的文字；事实以原始报道为准，著作权归原发布者所有。