GitHub-радар
Узнай, какой харнес выжимает больше из твоей открытой модели
Harness Leaderboard прогоняет девять оболочек для ИИ-агента-кодера через одни и те же открытые модели в одинаковых условиях и показывает, какая работает лучше. Ты получаешь измеренный ответ вместо выбора по привычке.
Это публичный лидерборд, который сравнивает харнесы — программные оболочки, дающие ИИ-модели инструменты и права писать и запускать код, — на одинаковых задачах.
Когда пригодится
Пригодится, если ты уже гоняешь открытую модель через Claude Code, Codex или похожий инструмент и хочешь понять, какая оболочка выжимает из неё больше. Не поможет, если нужны данные про модели Claude — Opus или Fable: их тут не тестируют.
Плюсы
- Логи каждого прогона открыты и проверяемы
- Сравнивает девять харнесов в одинаковых условиях
- Ничего ставить не нужно — читаешь прямо в браузере
- Показывает надёжность: решает ли харнес задачу стабильно, а не один раз
Минусы
- Тестирует только три модели без возможности добавить свою
- Не включает модели Claude — Opus и Fable
- Обе открытые модели слабы в реальной агентной работе, выводы ограничены
Как поставить — по шагам
- 1Открой лидерборд по адресу https://huggingface.co/spaces/joelniklaus/harness-leaderboard в браузере.
- 2Посмотри таблицу результатов для моделей GLM-5.3-Flash, DeepSeek-V4.1-Flash и Flint по всем девяти харнесам.
- 3Отправь агенту текст из блока ниже, чтобы получить разбор, какой харнес сейчас лучший для GLM-5.3-Flash.
- 4Проверь ответ агента по опубликованным логам прогонов на странице.
- 5Сопоставь результат с харнесом, который ты уже используешь, и реши, стоит ли его менять.
Текст для агента
Текст для шага с агентом — скопируй и отправь (Claude Code, Codex, любой):
Открой этот лидерборд https://huggingface.co/spaces/joelniklaus/harness-leaderboard и расскажи, какой харнесс сейчас лучше всего показывает себя на модели GLM-5.3-Flash и почему.
Ничего ставить не нужно — лидерборд открывается и читается прямо в браузере.
Открыть на Hugging Face▌ Ещё находки