DeepSeek V4.1 Flash 1017 绝配 Harness 易主，尽快拥抱 DeepSeek Harness！

大家好，我是 Ai DeepSeek 的老章

DeepSeek 模型更新了，我还在习惯于将其接入 Claude Code

9月中旬我实测过：

当时我拉着刚发布的 DeepSeek-V4.1-Flash，分别接入 Pi Agent、Claude Code 和官方的 DeepSeek Harness（DSH）做 Space Invaders 游戏实测，Claude Code 凭着精炼的上下文管理和出色的工程完成度，以 9.2 分拿下全场第一，而 DSH 标准版只排在第三，极简版甚至还垫了底

当时我还顺手从源码编译折腾了一套 DSH Desktop 桌面客户端（现在已已经有官方正式版了），写了一篇上手体验，当时觉得 DSH 底层架构很有潜力，但作为日常主力还是个“半毛坯房”，大家写代码依然更愿意首选 Claude Code

刚看到 海外最新第三方盲测 Bug Hunt Bench 的数据，同一个 1017 模型、同一个 DeepSeek API、同一个推理强度（Effort），仅仅换掉外面的运行框架：绝配 Harness 真的易主了，DSH 迎来了逆袭

我猜，原因可能是这个⬇️，这下真好马配好鞍了

一、Bug Hunt Bench 真实评测：DSH 到底赢在哪里

先交代一下测试背景，独立开发者 Paweł Huryn 自建并公开全部 receipts 的第三方硬核基准 Bug Hunt Bench

这个测试极其考验真功夫：

• 选取了两个互不相关的真实生产代码库，共植入 105 个隐藏 Bug （一个是约 28K 行 TypeScript 的 VS Code 扩展，另一个是约 60K 行 React/TypeScript 的 LMS 系统）

• 测试环境彻底断网，清空全部 Git 历史，测试套件保持绿色，模型无法从提交记录里偷看答案，只能像老架构师一样通读代码找漏洞

• 最终由独立 Judge 对照保密答案盲评 Diff，只算真正修掉的植入 Bug，不给任何同情分

在这样严苛的条件下，Paweł 对比了同为 DeepSeek-V4.1-Flash-1017 在不同 Harness 下的战绩：

推理档位

Claude Code 成绩

DeepSeek Harness 成绩

DSH 净提升

Max 档

39.1（7轮均值）

42.7（7轮均值） +3.6 High 档

36.4（5轮均值）

39.2（5轮均值） +2.8 Low 档

34.4（5轮均值）

34.8（5轮均值） +0.4

三档汇总平均下来，DSH 确实比 Claude Code 高出整整 2 到 3 分

下图是海外博主根据这组数据整理的对比走势，DSH 的柱状图在两档主力测试里均实现了反超：

Bug Hunt Bench 评测得分走势

更令人吃惊的是横向对比：在 Max 档位下，DSH 搭配 1017 拿到的 42.7 分，在数值上甚至越过了跑在 Claude Code 里的旗舰 Claude Opus 5.5（41.7 分） 和 Muse Wonder（42.0 分），在原帖对比里紧追 GPT-6 Astra（45.0 分）

二、天下没有免费的午餐：DSH 拿高分的代价是多花 82% 账单

那么，代价呢？

翻开 Paweł 公开的 Token 账单凭证，真相是：DSH 的强大，是拿白花花的银子和算力砸出来的

汇总两个项目的完整运行数据，两套 Harness 在 Max 档下的消耗对比非常离谱：

核心指标

Claude Code 搭档

DeepSeek Harness 搭档

相对变化

单次任务实际账单

$1.01

$1.84 +82.2% 输出 Token 消耗

410K

854K +108.1% 新输入 Token

1.035M

2.549M +146.2% 总 Token 消耗

208.957M

319.912M +53.1% 交互交互轮次 (Turns)

671 轮

804 轮 +19.8% 额外修复 (不计分)

22.9 处

44.0 处 +92.1%

DeepSeek-V4.1-Flash-1017 在两大 Harness 下的实测对决

看到这里你就明白了：

• Claude Code 的底层逻辑是 极致克制与单线聚焦 ，严格压减上下文和输出长度，遇到模糊问题倾向于保守收工，因此单次花费只要 1 美元出头，性价比极高

• 而 DSH（v0.2.1-rc.2）默认开启了 Subagents（子智能体机制） ，并且运行在全权限模式下，遇到疑难杂症会主动派生子任务、自发反思重试、发起深层排查，输出 Token 直接翻倍，总账单贵了 82%

• 但它烧掉的算力没有打水漂：除了多拿下 3.6 个计分 Bug，它在深水区排查中，居然还顺带把代码库里 44 处原本不计分的历史遗留真实代码缺陷 也给修了一遍，整整比 Claude Code 多修出一倍

这种不知疲倦的“疯狗式排查”，在面对大型复杂工程排障时，往往正是突破死局的关键

三、认知重构：评测单位已从“看模型”转向“模型 × Harness”

这次 1017 在 DSH 上的爆发，其实印证了 10 月初 ArXiv 上一篇重磅学术论文的判断——《Finding the Right Fit: Model–Harness Interactions across Agent Tasks》

该研究通过对多个顶级模型和 4 款主流 Harness 跑出 6200 多条轨迹后发现：

• 同款模型只要换一个 Harness，榜单排名就会发生彻底反转

• 世上根本不存在脱离具体任务的“全能冠军组合”

• 模型本身就像一颗大马力发动机，而外面这层 Harness（Prompt、工具协议、Subagents 调度、上下文剪裁）才是底盘和变速箱

根据这个认知，老章给大家梳理出当下的最优落地策略：

1. 日常中轻度编码、单个脚本修复、预算严格受控： 继续首选 Claude Code + 1017，单次任务可能更便宜，严控 Token 膨胀，性价比拉满

2. 复杂项目重构、长程深水区 Bug 猎杀、多模块协同： 毫不犹豫拥抱 DSH（v0.2.1-rc.2 及以上），并推荐配合 DSH Desktop 客户端 观测轨迹，虽然单次账单会上浮 80%，但在 DeepSeek 本就极度廉价的 API 定价面前，用稍高一点点成本换取深水区排障能力，绝对物超所值

大模型发展到今天，单纯比拼基模参数的阶段正在过去，Agent 时代的竞争，已经演化成了“模型能力与脚手架工程深度耦合”的系统战

我也要慢慢习惯，多用下 DeepSeek Harness 了

话说有喜欢DSH的兄弟么，体验如何？