DeepSeek Harness vs opencode：接入第三方模型后谁更聪明

DeepSeek Harness vs opencode：接入第三方模型后谁更聪明

分析日期：2026-10（本地拉取源码 + 全网评测数据交叉验证） 源码版本：deepseek-harness v0.2.1-alpha.2（末次提交 2026-10-09）；opencode v2.0.27（末次提交 2026-10-13） 两仓库均已 git clone 到本目录进行分析对比：deepseek-harness/、opencode/

---

一句话结论

"接第三方模型后谁更聪明"没有普适答案------公开数据一致显示：harness 的收益是逐模型的，同一个 harness 对某些模型是放大器，对另一些等于没装。

在这个前提下，两者的差异非常清晰：

	opencode	DeepSeek Harness (DSH)
适配哲学	逐模型定制（按模型换提示词、换工具、调参数）	模型无关 + 能力声明（一套提示词，机制层补偿）
开箱即用	接国产/开源/本地模型开箱更聪明	需要自己写 compat 配置，调优上限更高
成熟度	v2.0.27 稳定版，生态大	developer preview（alpha），破坏性变更
体量	35 个 provider 插件 + 49 个协议实现 + 5.3MB 模型目录 + 15 个内置工具	pi-ai 目录 + 3 种自定义协议 + 67 个唯一工具

如果只问"我接个 GLM / Kimi / MiniMax / 本地 vLLM，谁立刻更聪明"→ opencode。 如果问"我愿意调，谁的天花板更高、机制更能救弱模型"→ DSH。

---

选型建议

场景	选
接 GLM / Kimi / MiniMax / Qwen / DeepSeek 开源权重，开箱即用	opencode（逐模型提示词 + 逐模型工具形状 + 逐模型思考参数都是现成的；目录覆盖广）
本地模型（Ollama / LM Studio / vLLM / llama.cpp）	opencode （4 个本地 provider 插件开箱）；DSH 走自定义端点手写 compat
接 GPT-5.x 做长任务、在意每美元得分	DSH（53.8 分 / 0.30 美元每任务 / 3.98 分钟，公开数据里最优组合）
接 Claude（API key 按量）	opencode （edit 路径 + Claude 风格提示词，生态成熟）；DSH 无 Claude 专属提示词
长程自主任务、多 agent 编排、需要目标续跑/定时/团队	DSH（goal / workflow / agent-team / schedule / ralph 是 opencode 没有的）
数据重、想让模型写代码调工具	两者都有；要满格语言用 DSH PTC ，要强隔离用 opencode codemode
生产可用、要稳定	opencode（v2.0.27）；DSH 是 alpha
二次开发 / 换 loop / 换 UI / 换记忆层	DSH（一切皆插件，agent loop 可整体替换）

---

1. 决定性证据：harness 收益是逐模型的

1.1 WildClawBench 官方 harness 对比表（同模型换 harness）

来源：internlm.github.io/WildClawBen...（上海智lab 司南体系，60 项真实环境长程任务）。表内加粗 = 该模型最优 harness，每格为「耗时分钟 / 美元每任务 / 得分」：

模型	OpenClaw	Claude Code	Codex	Hermes Agent
GPT-5.4	5.83 / 0.33 / 50.3%	9.07 / 0.61 / 48.4%	7.16 / 0.57 / 56.8%	8.97 / 0.44 / 50.7%
GLM 5	6.22 / 0.19 / 42.6%	10.18 / 0.21 / 31.0%	7.84 / 0.13 / 38.9%	6.62 / 0.44 / 46.4%
MiMo V2 Pro	7.63 / 0.44 / 40.2%	9.90 / 0.15 / 29.9%	6.44 / 0.15 / 35.3%	8.30 / 0.26 / 48.1%
MiniMax M2.7	9.18 / 0.12 / 33.8%	10.08 / 0.09 / 32.0%	8.66 / 0.06 / 35.8%	10.30 / 0.11 / 37.1%

三个可直接读出的事实：

1. 没有跨模型最优 harness：GPT-5.4 最优是 Codex，GLM 5 与 MiMo 最优是 Hermes，MiniMax 最优是 Codex。
2. 第一方 harness 对开源模型是负资产 ：Claude Code 在 GLM 5 上只有 31.0%，比 OpenClaw 的 42.6% 低 11.6 分；在 MiMo V2 Pro 上 29.9% vs 40.2%。
3. 成本与得分不成正比：Claude Code 每任务最贵，开源模型上得分最低。

1.2 DSH 的 60 任务三维评测（能力 / 成本 / 耗时）

来源：dshbase 对 WildClawBench DSH 场次的解读。

同模型换 harness（DSH vs OpenClaw） ：DSH 给 DeepSeek V4 Pro 带来小幅提分，成本下降约 50% ，耗时仅 +4.2%；整组 60 任务调用成本约 6 美元 vs 12 美元；单位成本得分从约 218 分/美元提升到约 450 分/美元（+106%）。

跨模型适配（DSH 搭载不同第三方模型）------这是最关键的一段：

第三方模型 + DSH	结果
GPT-5.4	全场最佳 53.8 分，成本最低 0.30 美元/任务（−9.1%），平均 3.98 分钟最快
Qwen3.5 397B	得分、成本、耗时三项同时改善，协同效应明显
DeepSeek V4 Pro	45.0 分，小幅提分 + 显著降本
Grok 4.20 Beta	得分增幅最大，但耗时接近翻倍、成本更高
GLM 5 / MiniMax M2.7	暂无明确综合优势；GLM 5 单任务平均 10.60 分钟，最慢

报告原话（直接回答用户的问题）：

模型响应延迟、工具调用策略、失败重试、上下文压缩和任务终止判断都会影响耗时------这些机制目前还无法跨模型平滑迁移。 同一 Harness 对部分模型是放大器，对另一些等于没装。 任务规划、提示模板、工具协议仍需按模型特点调优。

1.3 同模型跨 harness 的量化差距（其他来源）

• Terminal-Bench 2.1 （tbench.ai）：Claude Opus 4.6 + Claude Code = 70.1% ；同一模型 + Terminus 2（通用参考实现）= 63.8% 。同模型差 6.3 分。
• Harness-Bench （arXiv:2605.27922）：5,194 次 model×harness 组合运行，完成率与失败模式因组合显著不同。
• 三 harness 同模型实测 （Classmethod DevelopersIO，三者接同一 OpenAI 兼容端点、底层同一 DeepSeek V4 Flash，做同一个 Python CLI 修复任务）：

	opencode	pi	DeepSeek Harness
是否完成	✅	✅	✅
耗时	68s	45s	71s
模型请求数	19	6	13
工具调用	19	7	14
首次请求输入 token	8,084	1,744	7,626
总输入 token（含缓存读）	238,856	19,899	148,638
新增测试 / 结果	8 / 8 通过	6 / 6 通过	8 / 8 通过

三家都完成任务，差别在开销 ：opencode 前导最重（首包 8k token），DSH 居中（7.6k），pi 最轻（1.7k）；总输入 token 上 opencode 约为 pi 的 12 倍。接本地模型时，这直接变成每次请求的 prefill 时间。

该文的独立发现与我从源码读到的完全一致：DSH 的多 provider 层就是 pi 的包（见 §2.1）。

---

2. 模型接入层：两条完全相反的路

2.1 DSH：把协议层外包给 pi-ai，自己做能力声明与机制

DSH 的 packages/llm/ 只有 8 个包，其中第三方模型接入全靠一个：

• packages/llm/llm-pi-ai/package.json 依赖 @earendil-works/pi-ai: ^1.0.2（pi 作者 Mario Zechner 的模型抽象库）。
• packages/llm/llm-pi-ai/src/catalog.ts 第 14 行：import { builtinProviders, getAllBuiltinModels, getBuiltinModels } from '@earendil-works/pi-ai/providers/all' ------ 模型目录直接继承 pi-ai 的内置目录，DSH 不维护自己的模型清单。
• 其余是 DeepSeek 自己的直连适配器：llm-deepseek / llm-deepseek-account / llm-deepseek-api-key。

DSH 自己加的东西（llm-pi-ai/README.md）：

能力	说明
3 种自定义协议	openai-completions / openai-responses / anthropic-messages（providers.md:23）
端点模型发现	OpenAI 系 GET {baseURL}/models；Anthropic 原生 GET /v1/models?limit=1000（README:115）
compat 开关	逐路由/逐模型改请求：system prompt 放哪个角色、哪个字段限输出、thinking 等级怎么传（thinkingFormat: deepseek）、thinkingTokenBudgetField、vllmPriority、supportsMaxOutputTokens
reasoningEfforts	等级 → wire 拼写映射，如 max: ultra
modelOverrides	改一个目录内模型，保留其余 37 个
兜底容量	defaultContextWindow: 262144、defaultMaxTokens: 32768
重试	retryPolicy，默认 normal 5 次，由 dsh-llm-retry 执行

限制 （providers.md:19）：

Providers that sign in with OAuth, such as Codex, are not supported here yet.

即 GitHub Copilot / ChatGPT-Codex 这类 OAuth 登录目前接不了。

2.2 opencode：自建全套协议层 + 远程模型目录

• 49 个协议实现 ：opencode/packages/ai/src/protocols/ ------ openai-chat、openai-responses、openai-compatible-chat/responses、anthropic-messages、gemini、google-interactions、bedrock-converse、bedrock-event-stream、zai-chat/messages、mistral-chat、cohere-chat、venice-chat、xai-responses、meta-messages、alibaba-chat/messages/responses......还含图像/语音/视频生成协议。
• 35 个 provider 插件 ：packages/core/src/plugin/provider/ ------ 含 ollama.ts、lmstudio.ts、vllm.ts、local.ts （本地模型开箱支持）、openrouter、bedrock、azure、google-vertex、github-copilot、gitlab、nvidia、cerebras、xai、perplexity、vercel、snowflake-cortex、databricks 等。
• 模型目录 ：models.dev 目录，打包进 5.3MB 快照 packages/core/src/models-dev/snapshot.txt（5,373,087 字节）作为离线兜底，运行时从 https://models.opencode.ai/api.json 刷新（packages/core/src/models-dev.ts）。
• 逐 provider 补丁插件：github-copilot.ts、amazon-bedrock.ts、google-vertex.ts、databricks.ts、neon.ts 会修正 models.dev 的元数据。

小结 ：opencode 的接入面明显更宽 （协议数、provider 数、模型目录规模、本地模型开箱）；DSH 的接入面 = pi-ai 目录 + 3 协议 + 声明式 compat，广度靠依赖，深度靠配置。

---

3. 核心分歧：opencode 逐模型定制，DSH 一套通吃

这是回答"谁更聪明"最关键的一节。

3.1 opencode 做了三件逐模型的事

(a) 逐模型系统提示词 ------ packages/core/src/plugin/optimize.ts

// optimize.ts:16-27
export const OpenAIPlugin = make("opencode.prompt.openai", (model) => {
  const id = model.id.toLowerCase()
  if (!id.includes("gpt")) return undefined
  return id.includes("astra") ? PROMPT_ASTRA : PROMPT_GPT
})
export const AnthropicPlugin = make("opencode.prompt.anthropic", (model) => {
  const id = model.id.toLowerCase()
  if (!id.includes("claude")) return undefined
  return PROMPT_ANTHROPIC
}, "append")
// :51-60  kimi / trinity(arcee) / meta(muse) 各自独立提示词

提示词文件清单（system-prompt/）：

文件	大小	匹配规则	风格
anthropic.txt	300 B	id 含 claude，append 追加	极短，只补注释密度规则
gpt.txt	2.6 KB	id 含 gpt	"Prefer parallelizing independent tool calls"
gpt-astra.txt	3.8 KB	id 含 gpt + astra	独立变体
kimi.txt	8.7 KB	id 含 kimi	完整重写，"default to taking action with tools"
meta.txt	7.9 KB	id 含 muse	带 {{MODEL_NAME}} 插值
trinity.txt	7.7 KB	id 含 trinity	CLI 语气约束

(b) 逐模型切换编辑工具 ------ packages/core/src/tool/plugin/patch.ts:296-306

const usePatch =
  event.model.id.includes("gpt-") && !event.model.id.includes("oss") && !event.model.id.includes("gpt-4")
if (usePatch) {
  delete event.tools.edit
  delete event.tools.write
  return
}
delete event.tools.patch

这是教科书级的 model-harness-fit 工程：GPT 系列在 apply_patch 语料上后训练过，opencode 就给它们 patch；其余模型给 edit + write（Claude Code 风格）。

(c) 逐模型思考参数拼写 ------ packages/core/src/variant.ts（633 行）

摘录（同一文件里逐 provider × 逐模型的分支）：

// :57-68  解析 Claude 家族与版本号，决定 manual / adaptive thinking
const familyFirst = /(?:claude-)?(opus|sonnet|haiku|fable|mythos)-(\d+)(?:[.-](\d+))?/i.exec(id)
manual: (major === 3 && minor === 7) || (major === 4 && minor < 6)

// :82-90  Vertex MaaS：DeepSeek 用 thinking，GLM/Gemma 用 enable_thinking
const key = modelID(model).toLowerCase().includes("deepseek") ? "thinking" : "enable_thinking"

// :135-171  NVIDIA 路由逐模型
if (id.includes("deepseek-v4")) ...
if (id.includes("kimi-k2.6") || id.includes("kimi-k2-6")) return nvidiaToggle("thinking")
if (id.includes("kimi-k3")) ...
if (id.includes("minimax-m3")) return toggle(nvidiaTemplate({ thinking_mode: "disabled" }), ...)
if (id.includes("glm")) return toggle(nvidiaTemplate({ enable_thinking: false }),
                                     nvidiaTemplate({ enable_thinking: true, clear_thinking: false }))
const toggleOnly = id.includes("qwen") || id.includes("gemma") || id.includes("nemotron")

// :31-32  阿里思考预算封顶 64k，不用模型全部输出上限
const ALIBABA_THINKING_BUDGET_MAX = 64_000

外加：逐模型工具裁剪（OpenAIToolsPlugin / AnthropicToolsPlugin 删 grep/glob，目前因 UX 原因禁用）、逐 provider 压缩策略（chatgpt.ts:294 设 compaction: { type: "summary" }）、原生压缩（compaction.ts:213 context.model.compaction?.type === "native" 走 provider 自带压缩 API）。

3.2 DSH 的对应做法：一套提示词 + 逐模型上下文预算

DSH 的提示词是单一模型无关 的插件化拼装：packages/core/system-prompt/src/index.ts（29 KB）里没有任何模型家族分支 （grep model|provider 44 处命中全是 provider 注册表语义，无提示词分支）。

它的机制是（system-prompt/README.md）：

• 固定开场白 You are an AI agent powered by DeepSeek Harness.（order −1000）
• 插件按 order 注册 section；{{provider}} / {{model}} 变量在每次装配时解析
• personaPrefix / personaSuffix 部署级改写；agent 级 section 可遮蔽全局
• toolOrder 显式控制模型可见工具顺序
• 极简预设：提示词固定为一句话 You are a helpful software engineer assistant.（apps/cli/reference/README.md:133）

DSH 的逐模型调优发生在上下文预算层 ，不是提示词层 ------ packages/compaction/compaction-basic/src/types.ts：

/** Policy fields shared by the default policy and exact model overrides. */
thresholdRatio?: number
summarizationProvider?: string   // 摘要可用更便宜/更强的模型
summarizationModel?: string
/** Exact provider/model overrides; duplicate targets fail plugin load. */
modelPolicies?: ModelCompactPolicyConfig[]

即：可以按 provider/model 精确设定压缩阈值、保留尾部比例、指定摘要模型 。压缩前先跑「无模型」的工具结果裁剪（compaction-tool-result-pruner），再跑 LLM 摘要（index.ts:321-327）------ 对贵/慢模型很实用。

3.3 这张表就是答案

逐模型工程	opencode	DSH
系统提示词按模型换	✅ 6 个变体（kimi 8.7KB / gpt / meta / trinity / astra / anthropic）	❌ 单一提示词
工具集按模型裁剪	✅ gpt-* 用 patch，其余用 edit；(grep/glob 裁剪暂禁用)	⚠️ 只有 toolOrder 排序 + 工具可见性限制
思考参数逐模型拼写	✅ 633 行 variant.ts，逐 provider × 逐模型	⚠️ 声明式 compat + reasoningEfforts，由用户写配置
上下文预算逐模型	✅ 按 model.limit 算 ceiling + 逐 provider 压缩类型	✅ modelPolicies 逐 provider/model 精确覆盖
弱模型容错	✅ 摘要模板不合规时发修复提示重问（compaction.ts:179）	✅ 死循环提醒 thresholds: [3,5,8]（guard/repeat-tool-reminder）
模型目录	5.3MB 打包快照 + 远程刷新	继承 pi-ai 内置目录

结论 ：opencode 把"模型差异"写进代码，DSH 把"模型差异"交给配置和机制。 接第三方模型时，opencode 的现成收益更多 ；DSH 的收益要靠你自己配 compat 才能兑现。

---

4. 机制层：DSH 更能"救"弱模型的地方

DSH 的工具目录有 72 节 / 67 个唯一工具 （docs/tool-catalog.md），opencode 内置工具插件 15 个 （packages/core/src/tool/plugin/：edit patch read write shell glob grep subagent skill webfetch websearch question mcp-resource opencode + file-diff 辅助）。DSH 多出的这些机制，本质都是用脚手架补模型能力：

DSH 机制	补什么
PTC / code-mode （packages/ptc-runtime，`DSH_TOOLS_MODE=native	ptc`）
goal 自动续跑 （packages/goal，create_goal/update_goal + 轮次上限 + blocked 判定）	弱模型容易中途"忘了目标就停"
ralph 循环 （packages/experimental/tool-ralph）	循环跑到完成
repeat-tool-reminder （packages/guard/repeat-tool-reminder）	精确重复同一工具+同参数时，在 3/5/8 次提醒换思路------弱模型典型死循环
subagent / workflow / agent-team （spawn_teammate、team_task_*、workflow 脚本编排，支持逐 agent 覆盖 provider/model）	把难任务拆给更强模型，杂活给便宜模型
schedule （定时跟进）、plan mode 、todo 、deliverables/present	长任务结构
session_search / session_trace / session_event_*	让模型回看历史，缓解长程遗忘
cordis_inspect_ / plugin_manager*	运行时自我修改（opencode 无对应）
computer-use / browser-use（stagehand_*）	图形界面任务

opencode 的对应强项：

opencode 机制	说明
codemode （packages/codemode）	纯 JS 解释器，不沙箱化任意 JS，只跑实现的语言特性；程序无法碰网络/文件系统/进程，只能调宿主工具。带 56KB 语言支持清单 + test262 同步脚本
LSP 集成	开箱
多模态生成协议	图像/语音/视频协议实现（DSH 无）
原生 provider 压缩	支持时直接用 provider 的 compaction API
多客户端	TUI / Desktop / IDE / 云端（Zen / Black / Go 三档订阅，Go 专供开源权重模型）
逐 agent 模型	build / plan / explore / title / summary / compaction 各自可指定模型（plugin/agent.ts:98-134）

PTC 的实现路线差异值得单独记 ：DSH 跑真实 Node/CPython 进程 （能力满格，能装 npm/pandas，依赖 OS 沙箱）；opencode 跑自研纯解释器 （隔离更强、确定性、跨平台，代价是语言覆盖有限，不支持语法报 UnsupportedSyntax）。

---

5. 工程成熟度与生态

维度	opencode	DSH
版本	2.0.27（稳定 v2）	0.2.1-alpha.2，README 明写 "THERE WILL BE COMPATIBILITY-BREAKING CHANGES"
提交节奏	50 次提交跨约 1 天	50 次提交集中在 1 天
架构	Effect 生态 + Drizzle/SQLite + client/server	Cordis 依赖注入（有 arXiv 论文支撑"时空可组合性"范式），一切皆插件，300+ @deepseek-ai 包
测试	大量 provider 协议测试（packages/ai/test/provider/*，逐协议 fixture）	100% 单文件覆盖率 CI 门槛 + 录制会话回放快照（test:snapshot，无需 key）
文档	多语言 README（19 种）、docs 站	中英双语，文档有字数预算门禁 与分层规范（docs/AGENTS.md）
扩展	plugin / MCP / agents / skills	plugin / MCP / skills + 加载 Claude Code 与 Codex 的 hooks.json 的兼容插件
效果评测	仓库内 STATS.md 是下载量 统计，非效果评测；packages/simulation 无 README	BENCHMARK.md 只有 3 行，指向 Python SDK 跑外部基准；benchmarks/ 全是工程性能门禁（会话打开、流重连、长会话投影）

两边仓库内都没有公开的"模型智力"评测数据。 效果数据全在外部（WildClawBench / Terminal-Bench / Harness-Bench）。

---

6. 必须提醒的风险（接第三方模型时尤其相关）

6.1 DSH 默认上传会话日志

apps/cli/reference/README.md:139 原文：

The DeepSeek session-log contributor sends complete unaccepted log suffixes with subsequent DeepSeek requests by default, including requests sent through configured gateways ; turn off Settings → General → Upload Session Log when using the official model API in Web, or set its enabled configuration to false to opt out.

三条要点：

1. session-log-deepseek 默认开启 ，会把完整会话日志后缀随后续请求发出，包括经你配置的第三方网关转发的请求。
2. OTel 会话上传默认 FEEDBACK_ONLY，对所有用户和所有 provider 生效；导出内容可含消息文本、工具参数与结果、工作区路径。
3. 脱敏默认没有规则 ：docs/subsystems/session-telemetry.md:144 ------ "The seam ships NO rules of its own: with no listener mounted, records reach the backend exactly as captured"，脱敏由部署方自己挂 waterfall。

关闭方式：DSH_TELEMETRY_MODE=DISABLED + 把 session-log-deepseek 的 enabled 设为 false。opencode 核心代码里没有对应的厂商会话上传路径（grep 无结果）。

6.2 Anthropic 已封订阅 OAuth 走第三方 harness

2026-01-09 Anthropic 服务端封禁 Claude Pro/Max 订阅 OAuth token 供第三方工具使用；2 月官方文档明确第三方必须用 Claude Console 的 API key。按量付费 API key 仍可用。OpenAI 方向相反，公开允许 pi / opencode 使用 ChatGPT 订阅（并称两者各占 Codex 流量 5%）。

→ 想在 DSH/opencode 上"用 Claude 的订阅价"是不行的；用 API key 可以。DSH 目前连 Codex 的 OAuth 登录都不支持。

6.3 前导 token 重量

opencode 首包 8,084 token、DSH 7,626 token（pi 仅 1,744）。接本地模型时这是每次请求的 prefill 成本；opencode 最重，DSH 居中。

---

7. 选型建议

场景	选
接 GLM / Kimi / MiniMax / Qwen / DeepSeek 开源权重，开箱即用	opencode（逐模型提示词 + 逐模型工具形状 + 逐模型思考参数都是现成的；目录覆盖广）
本地模型（Ollama / LM Studio / vLLM / llama.cpp）	opencode （4 个本地 provider 插件开箱）；DSH 走自定义端点手写 compat
接 GPT-5.x 做长任务、在意每美元得分	DSH（53.8 分 / 0.30 美元每任务 / 3.98 分钟，公开数据里最优组合）
接 Claude（API key 按量）	opencode （edit 路径 + Claude 风格提示词，生态成熟）；DSH 无 Claude 专属提示词
长程自主任务、多 agent 编排、需要目标续跑/定时/团队	DSH（goal / workflow / agent-team / schedule / ralph 是 opencode 没有的）
数据重、想让模型写代码调工具	两者都有；要满格语言用 DSH PTC ，要强隔离用 opencode codemode
生产可用、要稳定	opencode（v2.0.27）；DSH 是 alpha
二次开发 / 换 loop / 换 UI / 换记忆层	DSH（一切皆插件，agent loop 可整体替换）

一句可执行的判断

想让第三方模型立刻 表现好 → 用 opencode，它的逐模型工程就是为这件事写的。 想让第三方模型表现上限最高 → 用 DSH，但你要自己付调优成本：配 compat、配 reasoningEfforts、配 modelPolicies，并关掉默认遥测。 任何情况下，换 harness 后必须重测你自己的模型------公开数据里没有任何 harness 跨模型通吃。

---

附：本次分析的证据获取方式

1. 两仓库 git clone --depth 50 到本目录。
2. 源码取证：packages/llm/llm-pi-ai、packages/core/system-prompt、packages/compaction/*、packages/guard/*、packages/ptc-runtime、docs/user/guide/providers.md、apps/cli/reference/README.md、docs/tool-catalog.md；packages/core/src/plugin/optimize.ts、variant.ts、tool/plugin/patch.ts、session/compaction.ts、ai/src/protocols/、plugin/provider/、models-dev/snapshot.txt。
3. 外部数据：WildClawBench 官方榜与 harness 对比表、dshbase 的 60 任务三维解读、Terminal-Bench 2.1、Harness-Bench (arXiv:2605.27922)、Classmethod 三 harness 同模型实测。