作品
三个项目,可核验的来源写在条目右侧。
Harness A/B
同一个底层模型,分别跑在 Codex Desktop 与 Claude Code 两个外壳里。三轮任务覆盖从零开发、缺陷修复和新功能实现,比较功能正确性、完成时间和工具调用。
| 轮次 | 任务 | Codex Desktop | Claude Code |
|---|---|---|---|
| HB-01 | 前端从零开发 | 70 | 100 |
| HB-02 | 后端缺陷修复 | 100 | 100 |
| HB-03 | 工单批量更新 | 100 | 100 |
三轮任务不同、评分规则不同,总分不能相加。HB-01 的 30 分差来自单一规范字面失误,而不是三个独立功能缺陷。
实验详情