核心不是「便宜模型真香」，而是行业终于给 Harness 上了把尺子。
8 月 7 日，Floatboat（AOE Tech Labs）公布了 Floatboat Evaluation Harness 在五项第三方基准上的完整评测。底座用的是市面上最便宜的可用模型 DeepSeek-V4-Flash（$0.14/$0.28 每百万 token，按 3:1 输入输出折算混合价约 $0.175/M）。对面是 Claude Opus 4.8（$5/$25，混合价 $10/M），贵了 57.1 倍。
结果：五项全胜。
真正的看点不在价格，而在「Model + Harness = Agent」这个大家都承认的等式里：左半边每次发布都带一张榜，右半边——模型能碰到什么、每一轮循环怎么收敛、工具返回什么、状态存在哪里——从来没有一把尺子。这次是第一次有人给右半边报价。
单一变量：唯一变的只有 Harness
方法学是整件事成立的关键。两边用同一个模型底座（DeepSeek-V4-Flash 0731 正式版），唯一区别是 Harness。对照组甚至不是「裸 API」，而是 DeepSeek 自家官方 Harness：DeepSWE 只有 54.4，低于 Opus 4.8 的 58.0；接上 Floatboat 后，同一个模型跑到 67.25。Terminal Bench 2.1 上，DeepSeek 官方 Harness 与 Opus 4.8 打平（82.7:82.7），其余四项全输；Floatboat 五项全赢。模型权重没变、单位成本没变，变量只有一个。
两处细节说明他们刻意把证明条件做难了：一是用 0731 正式版而非 Preview——用 Preview 的话 DeepSWE 是 7.3→67.25（+821%），数字好看得多，但混进了模型自身的后训练，归不到 Harness 头上；二是故意选最便宜的模型——顶级模型跑顶级 Harness 会得到「高分+归因不清」，锁死最便宜底座，差值就只能落在 Harness 上。
像只量引擎马力、却不管整台车
过去两年行业像在只量引擎的马力。模型是引擎，Harness 是变速箱、悬架和驾驶辅助——上下文管道、工具返回整形、循环收敛、状态管理，Agent 级的真实性能其实是在这里被造出来的。这份数据说：$0.175 的引擎加上对的底盘，可以抹平甚至反超 $10 的引擎。
对产业的三点推演
1. 竞争单位从模型转向系统。 买家现在可以用 1/57 的 token 成本拿到旗舰级 Agent 表现，「能干活的太贵、敢放开用的干不动活」这个交换被工程取消了。
2. 护城河移到 Harness。 过去两年所有人卷权重，这是第一个信号：差异化住在了系统层，而且它开始变得可计量。Harness 质量会像今天的模型质量一样，成为采购标准。
3. 模型厂在商品化层被挤压。 当 $0.175+好 Harness 能打赢 $10 旗舰，「旗舰更贵」就得拿出别的理由来支撑。
给开发者的行动建议
- 别默认旗舰模型就是 Agent 最优解，先在自己栈上跑 Harness 级评测（DeepSWE、Terminal Bench 等）再决定付不付溢价。
- 把 Harness 当一等公民而不是管道——它是等式里现在可计量的那一半。
- 采购层面：便宜模型+强 Harness 从「妥协」变成了「合理架构」。
一句话：模型竞赛不是全部竞赛，另一半终于有尺子了。