长周期智能体编程基准测试公布：模型与执行框架呈乘法关系

一份长周期Agent编程基准测试结果于2026年8月公布，量化了模型与执行框架（harness）在AI编程任务中的协同效应。测试让Agent在真实项目中连续运行数天，以人类开发者完成水平为基准衡量任务完成比例。

数据显示，Fable 5搭配Claude Code取得81.7%的成绩，Opus 5搭配Claude Code为53.6%，Kimi K3搭配Prime Agent为52.2%，Kimi K3搭配Kimi Code为45.8%，GPT-5.6 Sol搭配Codex为35.9%，Kimi K2.7搭配Kimi Code为7.2%。

结果揭示模型与harness呈乘法关系而非加法关系。同一K3模型搭配Prime Agent与Kimi Code的成绩相差6.4个百分点，说明harness的任务规划、上下文管理、错误恢复能力显著影响最终表现；同一Kimi Code harness搭配K3与K2.7的成绩相差38.6个百分点，K3相对K2.7的代际提升约6.4倍，表明模型能力是基础，模型迭代是Agent能力提升的核心驱动力。

测试还显示，K3跨harness表现稳定，搭配不同harness均取得有意义成绩，说明其长任务能力扎实。Token消耗数据亦反映工程化差异，例如K3搭配Kimi Code总Token消耗682M，搭配Prime Agent仅112M，而后者输出Token更多，使用效率更高。