2026年2月18日 任務成功率從 6.7% 到 68.3%：10 倍差距來自 Harness，而非模型 LangChain 的 Terminal Bench 結果與 hashline 格式實驗揭示了什麼。同一個模型排名被逆轉，原因只有三個：提示詞、工具和中介軟體。