Blog · 分析
从 30.2% 到 96.2%——差距在 Harness
2026年8月20日 · dshbase · 改写分析
八月这波 DeepSeek 新闻，最容易被记住的是价格和参数。更耐看的信号其实坐在模型旁边：DeepSeek Harness——决定这些 token 会变成日常工作流，还是只变成演示的那层运行时。
本文改写自把 V4 Pro 与 Harness 放到同一张牌桌上的微信分析（如「30.2到96.2」那类讨论）。文中数字按公开报道口径引用；厂商自有评测请照常打折看。
模型故事是真的——但不完整
V4 Pro 带着长上下文、双接口形态、工具调用和抢眼标价上线。对 Agent 工作负载来说，缓存命中更要命：你在不断重读历史。价格故事会改账单；它本身不会改「工具失败怎么恢复」「坏会话怎么回放」。
30.2 → 96.2：权重没动，环境变了
反复被引用的 ARC-AGI-3 案例：ARC Prize 口径下 Opus 一类基线大约 30.2%；开发者 Jeremy Berman 换上接近 Claude Code 的环境、动作通道和文件系统日志，让模型写解析器、搜索、模拟器，公开关卡上冲到约 96.2%（有报道写到单次 24/25）。上百个程序、近万行代码——仍然是同一套权重。
跳升的不是「卡片上的智商」，而是模型在两次猜测之间被允许做什么：落盘、迭代、给问题装仪表。普通人听见「模型变强了」；做系统的人该听见「运行时把动作空间放开了」。
为什么 Harness 才是黏性层
前沿分数会继续互咬，价格会继续挤压。一旦运行时吞下你的插件、权限、项目目录、缓存策略和失败回放，迁移成本就会长出来。上游模型可以换；团队已经养成的干活方式很少会整包扔掉。
DeepSeek Harness 押的就是这层：工具/策略/存储/上下文的 Cordis 接缝、Trajectory 事件级回放、可见的 token/缓存表、能比「再挂一个 MCP」更深的社区插件。UI 细节仍落后于 Codex 一类壳——早期生态经常是刻意粗糙的。
我们在 dshbase 怎么用这个判断
- 只是尝鲜 V4 Pro：看价格、接口形态、工具调用，能不能塞进你已有的工具链。
- 要做长期 Agent 工作流：要会话回放、权限边界、缓存可见、可审计的插件故事——从 Trajectory 追踪 和 成本与缓存 开始。
- 装社区插件：把「在我机器上真能跑」当成产品。我们的 目录 只在真实安装路径通过后标已验证——可插拔运行时如果没有安装真相，就只是更长的 README。
结论
模型发布会给你能力上限；Harness 决定你能不能把上限压进周二下午的活。便宜模型很多，能把模型变成系统的运行时不多。下一轮要看的，不只是下一份第三方榜单，而是有没有几个 DSH 插件变成普通开发者离不开的承重墙。