文章探讨了AI模型评测中“框架工程”（harness）的关键作用。以GPT-6 Astra为例，同一模型在不同评测框架下得分差异显著（62.7%对98.6%），且成本更低，表明框架选择对性能与费用影响巨大，甚至比模型选择更重要。目前，OpenAI、Anthropic等公司已将框架产品化，Nvidia也自建框架。未来，构建框架将比挑选模型更为关键。

百度文心助手任务Agent以94.6%最高分登顶全球工程向AI智能体评测榜单PinchBench v2，领先Claude、GPT等模型。该评测考核真实工作场景任务完成能力，文心助手在数据分析、安全漏洞修复、合同分析等复杂任务中表现卓越，并开源评测流程。其成功源于百度二十余年搜索意图理解技术积累，证明框架工程能力比模型参数更重要。