6.7%。
这是 Grok Code Fast 1 在代码编辑任务上的原始准确率。说实话，这甚至不能叫“能用”，简直就是人工智障。
但就在同一个下午，我只改了一行代码配置，准确率直接飙到了 68.3%。
没有重新训练模型，没有调用什么秘密算法，甚至都没动模型本身的一根汗毛。
这事儿有点意思，甚至有点讽刺。现在所有人都在争论 GPT-5 和 Gemini 到底谁更强，仿佛模型就是一切。但老实讲，我们都搞错了重点。
真正的瓶颈，根本不是那个“大脑”，而是连接大脑和双手的——“Harness”（挽具/工具链）。
别再神话模型了，它只是个“飞行员”
现在的舆论环境很奇怪，大家把模型捧上了天。一旦代码写不出来，就是“模型太笨”，一旦逻辑不通，就是“推理能力不行”。
这锅，模型不背。
作者打了个很形象的比方：模型是飞行员，而 Harness 是起落架。如果飞机降落时出了事故，你确定是飞行员技术不行，而不是起落架卡住了？
在这场测试里，作者并没有去优化 Grok 或者 Gemini 的“智商”，他只是换了一个让模型修改代码的工具。
结果呢？
Grok Code Fast 1 的准确率暴涨 10 倍。
MiniMax M2.1 直接翻倍。
就连强如 Gemini 3 Flash，准确率也提升了 5 个百分点，输出 Token 还减少了 21%。
这说明什么？
很多时候，模型完全理解你要干什么，它只是笨拙地不知道怎么“表达”出来。
旧时代的“补丁”是个笑话
为了让你明白为什么现在的工具这么烂，得先看看大厂们都在玩什么花样。
OpenAI 的 Codex 用的是 apply_patch。
这就好比你给模型一本只有 OpenAI 才能看懂的“天书”，让它照着画。GPT 系列当然没问题，毕竟是自己家养的。但换个别的模型？Groky 的补丁失败率高达 50.7%，GLM-4.7 也有 46.2%。它们不是不会写代码，是看不懂这本“天书”。
Claude 和大多数工具用的是 str_replace。
这更扯。模型必须精准地找到“旧代码”，然后完美替换。注意，是“完美”，包括空格、缩换行，一个字符都不能错。
只要文件里有一点点变动，或者模型手抖多打了一个空格，就会报错：“String to replace not found”。
这错误太常见了，常见到 GitHub 上都有专门的“吐槽贴”。
甚至还有像 Cursor 这种土豪公司，专门训练了一个 700 亿参数的模型，就为了帮主模型“合并代码”。
你说这事儿荒谬不荒谬？为了解决工具不好用的问题，又扔进去一个模型。
Hashline：给代码每一行都贴上“标签”
作者实在看不下去了，搞了个叫 Hashline 的新玩法。
逻辑简单得令人发指：
当模型读取代码文件时，每一行都会被自动打上一个 2-3 个字符的哈希标签。
比如这样：
22:f1| return "world";
33:0e|}
模型想改代码的时候，不需要复制那一大坨旧文本，也不需要操心空格对不对。它只需要说：“把标签为 22:f1 的那一行，改成 xxx。”
就这么简单。
如果文件被改过了，哈希对不上，操作直接拒绝，绝对不会改错地方。
这就像给图书馆的每一本书都装了定位芯片。以前你得把书架上的书背下来才能找书，现在你直接报坐标。
测试结果太残暴了。
作者选了 React 代码库里的随机文件，故意制造 Bug，然后让 16 个顶级模型去修。
结果毫无悬念：Patch 模式几乎全军覆没，Hashline 吊打全场。
弱鸡模型翻身做主人，强者模型变得更强更省流。
我帮大厂优化了模型，大厂反手把我封了
故事讲到这儿，本该是个“技术改变世界”的爽文剧本。
但接下来的剧情，有点让人看不懂，甚至有点生气。
作者搞这个测试，相当于给大厂们做了免费的 R&D。
他证明了，只要换个工具格式，Google 的 Gemini 3 Flash 准确率能提 5 到 14 个点，还能省下 20% 的算力成本。
这明明是好事吧？
结果 Google 直接把他的账号给封了。
不是限流，不是警告，是直接 Disabled。理由不明。
同样的事也发生在 Anthropic 身上。他们封杀了一个热门的开源编码代理 OpenCode，理由是“逆向工程私有 API”。
这信号太明显了：
“别想自己搞工具，用我们的。”
Anthropic 不会为 Grok 优化工具，xAI 不会为 Gemini 调试接口。每家都在筑墙，都想把用户锁在自己的生态里。
我个人觉得，这种做法极其短视。
模型确实是你的护城河，但 Harness 是通往护城河的桥。你现在把桥炸了，指望大家都游过去吗？
开源社区之所以强大，就是因为我们不挑食。不管你是 GPT、Claude 还是 Grok，只要好用，我们就给你造最好的方向盘。
最后的余韵
这篇文章不是要否定模型的价值，而是要把视线从“神坛”拉回“地面”。
那个从“酷炫 Demo”变成“可靠工具”的最后一公里，靠的不是什么神秘的大模型魔法，而是这些枯燥、甚至有点笨拙的工程细节。
Harness 的问题终会被解决。
我只希望，解决它的不是某一家关起门来的公司，而是所有愿意动手的人。
毕竟，谁也不想因为一个空格对不上，就怪罪整个 AI 时代不行吧？
参考链接：
http://blog.can.ac/2026/02/12/the-harness-problem/