2026年2月18日 任務成功率從 6.7% 升至 68.3%：讓性能相差 10 倍的是 harness，不是模型 LangChain 的 Terminal Bench 結果與 hashline 格式實驗所揭示的現象。同一模型排行榜名次逆轉的原因，在於提示詞、工具與中間件三個環節。