Bảng xếp hạng harness có kiểm chứng
Bảng xếp hạng có kiểm chứng của các harness agent lập trình trên benchmark thực tế.
Unofficial run on Arnesa Host·Terminal-Bench 4.0.0 (16/66 tác vụ)·Aider Polyglot 1.0.0 (30/225 tác vụ)
Chưa có lượt chạy benchmark cho model này
Chưa có harness công khai nào có kết quả xếp hạng trên model này theo bộ lọc đã chọn.