行业与实践 · 研究与基准测试

研究与基准测试/2026-08-12/9 分钟

总分会把「本来就会」算成遵守：字节 Harness-IF 把规则和默认行为拆开

字节 Seed 的 Harness-IF 按单条规则打分。12 个模型的总分都高于「和默认行为相反」的那一档，平均高出 5.81 分。86.8% 的判定经过 GPT-5.2 裁判，换裁判后一致率只有 62.1%。