《Harbor Adapters and Harbor-Index》（arXiv 2609.04298，9 月 7 日周一 digest）是 agent 基准的统一评测基础设施：适配器把 80 多个基准移植到对任意 agent 可评测，并经代码评审与一致性实验验证。基于它，作者在 54 个基准上跑了 8 个跨能力档的模型，每个模型分别用 Terminus-2 和 3 个原生 harness 之一——由此得出比以往更宽的 agent 能力与失败模式分析。Harbor-Index 把适配套件蒸馏成 82 个跨 29 个基准的高难度、高多样性、高质量任务（难度过滤 + AI 与人工审计 + 审计-修复循环）：保留大规模 agent 评测的挑战性与广度，同时跑得起——没有任何被测模型-harness 组合能 saturate 它。
Harbor Adapters 把 80 多个 agent 基准标准化进同一个可运行 harness
2026-09-08前沿观察TRIAL
《Harbor Adapters and Harbor-Index》（arXiv 2609.04298，9 月 7 日周一 digest）是 agent 基准的统一评测基础设施：适配器把 80 多个基准移植到对任意 agent 可评测，并经代码评审与一致性实验验证。基于它，作者在 54 个基准上跑了 8 个跨能力档的模型，每个模型分别用 Terminus-2 和 3 个原生 harness 之一——由此得出比以往更宽的 agent 能力与失败模式分析。Harbor-Index 把适配套件蒸馏成 82 个跨 29 个基准的高难度、高多样性、高质量任务（难度过滤 + AI 与人工审计 + 审计-修复循环）：保留大规模 agent 评测的挑战性与广度，同时跑得起——没有任何被测模型-harness 组合能 saturate 它。
本文来自既有扫描档案。迁移保留原判断，不代表在迁移时重新核验。
对你意味着什么
agent 评测世界的碎片化税是真的：每个基准都自带环境和集成。80 多个带一致性验证的适配器是迄今最大的标准化工程，82 任务的 Harbor-Index 校准到在前沿水平仍有区分度、又便宜到可以日常跑——正是平台团队需要的常驻回归套件。值得注意的是，terminal-bench 的统一数据集已经放在 GitHub 的 harborframework 组织下（在 GLM-5.3 的评测元数据 PR 中可见），生态采用已经启动。
前沿观察
公开材料与效果验证，分开看。
已记录的事实是工作及其材料已公开。论文或作者报告的效果不自动等于独立复现。下一步关注可复用代码、任务设置和第三方验证。
证据与关联材料
技术细节与六维评分
| 适配器 | 80 多个基准移植到对任意 agent 可评测；经代码评审与一致性实验验证 |
|---|---|
| 评测 | 8 个跨能力档模型 x 54 个基准；每个模型用 Terminus-2 与 3 个原生 harness 之一 |
| Harbor-Index | 82 个任务、跨 29 个基准；难度过滤 + AI/人工审计 + 审计-修复循环；跑得起；无被测组合能饱和 |
| 生态 | terminal-bench 统一数据集位于 GitHub harborframework 组织下（GLM-5.3 评测元数据 PR 中引用） |
技术影响 3
工程价值 4
采用信号 3
成熟度 3
验证成本 2
风险 1