LongHarness 基准：不同智能体框架成本差异巨大，mini-swe 接近直推成本拿下最佳成绩

LongHarness 基准发布，用于评测 RLM、编码智能体等长上下文 harness，显示不同智能体框架成本差异巨大，mini-swe 以接近直推的成本拿下最佳成绩。同一模型在不同 harness 下准确率与效率差距可超 10 倍，且更多算力并不总等于更高准确率，相似性能的开销相差极大。