Terminal-Bench 2.1

编码智能体harness设计的实证研究

一篇论文在SWE-Bench Verified和Terminal-Bench 2.1上评估了四款模型、176种配置，拆解了planning、action space和上下文管理三个组件。结论包括：上下文管理在预算紧张时价值最大，rule-based elision先于LLM摘要效率最高，planning对弱模型提升准确率、对强模型只省钱，bash能力强的模型可用纯bash接口降低成本。