deepsense.ai 提出面向生产的 AI 系统评估模式，用 harness、重复运行和失败诊断替代公开 benchmark 做部署判断

deepsense.ai 提出，生产 AI 系统评估不应以公开 benchmark 分数作为部署依据，而应评估模型、harness、工具、记忆、执行路径、可靠性、成本和业务结果。文章认为，2026 年公开评估已更接近端到端专业工作流，但 benchmark 分数只说明特定测试协议下的表现，不能证明系统会泛化到真实用户、数据、工具和约束；公开 benchmark 更适合建立候选短名单，而不是直接决定上线。

两个细节最能说明问题。事实是，OpenAI 在 ARC-AGI-3 中展示，启用 retained reasoning 和 compaction 后，GPT-5.6 Sol 的分数从 13.3% 提升到 38.3%，同时输出 token 约少 6 倍；模型没有变，变的是系统如何保存推理和管理上下文。作者自己的 EDA benchmark 也显示，Claude Fable 5 的平均分 0.50 高于 GPT-5.6 Sol 的 0.48，但按重复运行方差调整后，GPT-5.6 Sol 的可靠性调整分 0.46 高于 Claude Fable 5 的 0.42，说明平均分可能隐藏不稳定。文章还指出，工具响应可能事实正确但不可用，例如缺少单位、结构不适合下游 agent、没有回答用户目标。

从事实看，文章把部署前评估、生产监控和失败回归串成三个循环，并提到 Harbor 保存完整轨迹、轻量模型聚类问题、人工审查关键 trace。推断上，这会改变模型切换决策：团队更可能依据自有回归集、首跑成功率、单位成功成本和失败诊断，而不是公告分数；对交易、客服或合规类 agent，重复成功比单次高分更重要。猜测上，评估平台可能成为企业 AI 工程的核心资产，但原文没有给出市场、收入或采用率证据。