研究发现模型与 Agent 框架的配对会逆转性能排名且成本不决定表现

该论文评估了 66 种配置，包括四种可配置框架（OpenHands、DeepSeek Harness、PI、openJiuwen）与五个模型的组合，在 TUA-Bench、ALE-CLI 和 Terminal-Bench 4 上测试发现，模型排名随框架变化而反转。例如在 Terminal-Bench 4 上，Claude 在 OpenHands 中领先 GPT 7.94 分，但在 PI 中落后 30.16 分。对于五分之四的模型，最佳框架在不同基准间并不一致，但部分配对具有稳定性，如 openJiuwen 使 Kimi 在所有三个基准上得分最高，提升幅度为 5.61 至 11.11 分。

证据细节显示，厂商原生框架并非总是最优解，且更高成本不能保证更高分数。GPT 在 PI 框架下的得分高于 DeepSeek Harness，但任务成本不足四分之一。轨迹匹配分析表明，模型自身处理修复的能力是关键变量，框架将失败反馈给模型的形式决定了最终效果：GPT 适应 PI 的轻量级脚手架，而经常发出格式错误工具调用的 Kimi 则在 openJiuwen 中表现最佳。

事实层面，研究已发布所有 6,204 条评分轨迹、代码及适配器；推断层面，这意味着单纯比较模型能力或框架能力的指标可能误导选型，必须结合具体任务场景进行联合评估；猜测层面，未来可能出现针对特定模型优化的专用框架，而非通用型框架通吃市场。