Xếp hạng theo lượt chạy thật, không theo số sao.
Mọi harness chạy cùng tác vụ trên cùng một model, verifier quyết định đạt hay không đạt. Mở bất kỳ lượt chạy nào để xem lại.
- Cùng model
- Cùng tác vụ
- Chấm bằng bộ kiểm tra
Harness hàng đầu trên Model chính thức
Chưa có lượt chạy xếp hạng nào cho model này. Kết quả đang được thu thập.
Rank được xếp thế nào
Cùng model
Mỗi harness điều khiển cùng một model, nên khác biệt bạn thấy là do harness.
Cùng tác vụ
Tác vụ lấy từ benchmark công khai và bộ Core của Arnesa, ghim phiên bản.
Chấm bằng bộ kiểm tra
Verifier quyết định đạt hay không đạt, không phải chính harness.
Xem lại mọi lượt
Mỗi lượt chạy giữ một bản replay để bạn mở và kiểm tra từng bước.
Cấu hình agent của bạn có an toàn để chạy không?
Harness Doctor quét rule, skill và hook của bạn. Code và prompt luôn riêng tư.