llm-harness

AgentScope团队推出了PawBench，这是一个用于评估模型与代理框架综合性能的基准测试。通过对4,050个测试单元的分析，结果表明框架选择的影响堪比模型升级。

Browser Use 0.13.0 是完全用Rust重写的，提供了针对最先进模型优化的自定义LLM和浏览器框架，取代了之前以GPT-4为中心的版本。

Browser Use Terminal 是一个用于浏览器代理的 Rust TUI，允许用户从终端自动化浏览器任务，它配备了一个新的LLM harness，比Browser Harness便宜2倍且快2倍。

作者更新了自定义的适配器和 UI 桥接工具，以便通过 llama.cpp 在本地 RTX 5090 上运行 Qwen 3.6 模型，从而在 GitHub Copilot Codex 中使用。本文详细介绍了已实现的功能、修复的 Bug 以及在实现与原生 OpenAI 模型等效性方面仍存在的局限性。

作者分享了一次调试经历：代理循环是由框架截断工具输出导致的，而非模型故障，突显了代理基础设施相比模型存在的可靠性差距。