同一模型换个壳，智商打折？

「同一模型换个壳，智商打折？」这是 V2EX 网友在 11 月 2 日发出的疑问。先声明框架：原帖是单人主观体验，样本量为 1、没有对照变量，本文把它当成一个值得讨论的问题，而不是一个已验证的结论。但这个问题恰好能接到一组可复核的数据上，值得展开。

State of AI Report 2026：引用编码实验的年度报告

一、帖子里发生了什么

发帖人自述不是程序员、正在学 AI Coding，做 Mac 小软件时发现：同一个 GLM 5.3 flash，在各种 Harness Agent 里都不如在 Claude Code 里聪明。弱 harness 下的症状相当典型：画 UI 画到一半，模型开始「玩 Cosplay」，说出「最迟 30 分钟给方案，你的这个改动要花一天工时」这类拟人话术，实际什么都画不出来，也不知道自己为什么错，陷入拟人化出错的死循环。换到 Claude Code，同一个模型「真的能分析出来到底哪一个地方错了、到底哪一个地方用的参数不对」。帖主的疑问是：Harness 的差距也这么大，这是为啥？帖子里点名了具体产品，这里按「用户实测反馈」引用，不做定论。

二、定量对照：+13 个百分点

巧合的是，这个体感有数据呼应。《State of AI Report 2026》引用的编码实验显示：模型权重保持不变，只换 harness，GLM-5.1 在 SWE-bench Verified 的 100 题上从 52.5%（minimal harness）跃升到 65.5%（full harness），提升 13 个百分点。报告的两句结论值得原样记录：「模型能力不等于交付能力」；「比较 Agent 时需要交代外围执行条件……仅把模型名字写在一张表里，解释不了最终差距」。边界也要划清：这是针对指定编码任务集的结果，不能改写成「所有企业接入 harness 都能提升 13 个百分点」。

三、损耗的四个来源

harness 是围绕模型、把「一次回答」变成「持续干活」的执行环境。损耗至少来自四个地方：一是 system prompt 质量，Claude Code 的是 Anthropic 多年迭代的产物，弱 harness 用的是通用模板，所谓「Cosplay」式借口本质是模型退回 chatbot 模式；二是反馈闭环，Claude Code 给的是读文件、改、运行、看真实报错、再改的循环，弱 harness 只给「生成代码，你看对不对」；三是上下文管理，丢弃、总结、留档的决策直接决定结果质量；四是工具设计的颗粒度。准确表述是：不是模型变笨了，是 harness 没把它的能力「交付」出来。

四、冷水与自查清单

回到那四条质疑：样本量 1 且无对照变量；13 个百分点不可泛化；「Cosplay」也可能是模型自身的调优风格问题；Claude Code 的优势可能部分来自它和自家模型的协同特调。把这些都算上，问题依然成立。自查清单四条：选 agent 先看 harness 再看模型，便宜的强模型加顶级 harness 可能打赢贵模型加弱 harness；任务做不好时，先换 harness、再调 prompt、最后才换模型；看到「某模型 coding 得分 X」，先问用的是哪个 harness；判断 harness 强弱，就看它给不给模型「读文件、运行、看报错」的闭环。

zai-org：GLM 系列模型的 Hugging Face 组织