Modell oder Harness?
Was echte Benchmark-Daten 2026 ueber LLM-Coding-Modelle und ihre Agent-Harnesses aussagen — und warum die meisten publizierten Zahlen nicht vergleichbar sind.
Der Befund dieser Recherche in einem Satz: Bei vergleichbar starken Frontier-Modellen bewegt der Harness — also Kontextaufbau, Tool-Schnittstelle, Wiederholungs- und Verifikationslogik um das Modell herum — die Benchmark-Ergebnisse staerker als die Wahl des Modells.
Das ist keine Meinung, sondern in einem kontrollierten Experiment gemessen: In einem 3×3-Raster aus drei Frontier-Modellen und drei Harness-Konfigurationen ist die harness-induzierte Varianz das 7,80-fache der modell-induzierten Varianz. In 6 von 9 moeglichen Paarvergleichen kehrt sich die Rangfolge der Modelle um, wenn man nur den Harness wechselt.
1. Was die einzelnen Benchmarks ueberhaupt messen
Die vier meistzitierten Zahlen stammen aus vier verschiedenen Messungen mit verschiedenen Aufgabenmengen, Sprachen und Abbruchregeln. Sie sind nicht ineinander umrechenbar.
| Benchmark | Aufgaben | Sprachen | Was es prueft | Kontaminationsrisiko |
|---|---|---|---|---|
| SWE-bench Verified | 500 | Python | Patch fuer ein GitHub-Issue; fail-to-pass + pass-to-pass | hoch |
| SWE-bench Pro (public) | 731 | Py, Go, TS, JS | lange Aufgaben, im Schnitt 107,4 Zeilen ueber 4,1 Dateien | gering (GPL-Copyleft) |
| SWE-bench Pro (private) | 276 | Py, Go, TS, JS | dieselben Aufgabenarten in 18 proprietaeren Startup-Repos | sehr gering |
| Terminal-Bench 2.1 | 89 | Shell-nativ | reale Terminal-Arbeit: Build, Security, Sysadmin, Daten | mittel |
| Terminal-Bench 4.0 | 66 | Shell-nativ | haertere Variante, rekalibrierte Zeit- und Compute-Budgets | gering |
| Aider Polyglot | 225 | 6 Sprachen | Edit-Format-Treue in Aiders eigener Edit-Schleife | mittel |
SWE-bench Pro umfasst insgesamt 1.865 Aufgaben aus 41 Repositories, aufgeteilt in public (731), private (276) und held-out (858). Quellen [1][2][5][6][9].
2. Modellranking bei kontrolliertem Harness
Scale Labs faehrt auf dem SEAL-Leaderboard jedes Modell durch dieselbe Gerueststruktur — 250-Turn-Limit, unbegrenztes Kostenbudget. Das ist der sauberste oeffentlich verfuegbare Modellvergleich fuer Coding-Agents. Die mit Stern markierten Eintraege liefen unter mini-swe-agent, die uebrigen unter dem SWE-Agent-Scaffold: auch innerhalb dieses Boards sind also zwei Harnesses im Spiel.
| Rang (UB) | Modell | Resolve Rate | 95-%-KI | Harness |
|---|---|---|---|---|
| 1 | Muse Spark 1.1 | 61,50 % | ±3,10 | mini-swe-agent |
| 1 | gpt-5.4 (xHigh) | 59,10 % | ±3,56 | mini-swe-agent |
| 3 | Muse Spark | 55,00 % | ±3,60 | mini-swe-agent |
| 3 | claude-opus-4-6 (thinking) | 51,90 % | ±3,61 | mini-swe-agent |
| 5 | gemini-3.1-pro (thinking) | 46,10 % | ±3,60 | mini-swe-agent |
| 5 | claude-opus-4-5 | 45,89 % | ±3,60 | SWE-Agent |
| 5 | claude-4-5-Sonnet | 43,60 % | ±3,60 | SWE-Agent |
| 5 | gemini-3-pro-preview | 43,30 % | ±3,60 | SWE-Agent |
| 5 | claude-4-Sonnet | 42,70 % | ±3,59 | SWE-Agent |
| 10 | gpt-5 (High) | 41,78 % | ±3,49 | SWE-Agent |
| 10 | gpt-5.2-codex | 41,04 % | ±3,57 | SWE-Agent |
| 10 | claude-4-5-haiku | 39,45 % | ±3,55 | SWE-Agent |
| 10 | qwen3-coder-480b-a35b | 38,70 % | ±3,55 | SWE-Agent |
| 14 | minimax-2.1 | 36,81 % | ±3,55 | SWE-Agent |
| 14 | gemini-3-flash | 34,63 % | ±3,55 | SWE-Agent |
| 16 | gpt-5.2 | 29,94 % | ±2,15 | SWE-Agent |
| 16 | kimi-k2-instruct | 27,67 % | ±3,25 | SWE-Agent |
| 18 | qwen3-235b-a22b | 21,41 % | ±2,25 | SWE-Agent |
| 19 | gpt-oss-120b | 16,20 % | ±2,67 | SWE-Agent |
| 19 | deepseek-v3p2 | 15,56 % | ±2,63 | SWE-Agent |
| 21 | gemma-3-27b-it | 11,38 % | ±2,15 | SWE-Agent |
| 21 | llama3-1-405b-instruct | 11,18 % | ±2,15 | SWE-Agent |
| 21 | glm-4.6 | 9,67 % | ±2,15 | SWE-Agent |
| 24 | llama4-maverick-17b | 5,24 % | ±1,24 | SWE-Agent |
| 25 | codestral-2405 | 1,51 % | ±1,51 | SWE-Agent |
„Rang (UB)“ ist Scales eigene Definition: 1 plus die Anzahl der Modelle, deren untere KI-Grenze ueber der oberen KI-Grenze dieses Modells liegt. Gleiche Rangzahl heisst: statistisch nicht unterscheidbar. Quelle [1].
3. Oeffentlicher gegen privaten Aufgabensatz
Derselbe Harness, dieselben Modelle, aber proprietaere Codebasen statt Open Source. Die Rangfolge kippt: gpt-5.4 (xHigh) faellt von Platz 2 auf Platz 4, claude-opus-4-6 (thinking) steigt von Platz 4 auf Platz 2. Der Abstand zwischen den beiden dreht sich um 12,5 Prozentpunkte.
gpt-5.4 (xHigh): 59,10 % → 43,40 %. Minus 15,7 Prozentpunkte auf unbekanntem Code.
claude-opus-4-6 (thinking): 51,90 % → 47,10 %. Minus 4,8 Prozentpunkte — und damit auf dem privaten Satz vorn.
4. Der Harness-Effekt, gemessen
Ein Agent ist ein geschlossener Regelkreis. Das Modell ist die Strategie, die auf einen vom Harness gebauten Kontextausschnitt reagiert. Stabilitaet, Kontextdrift und Regelverzoegerung sind Eigenschaften des Reglers, nicht der Gewichte — sie verbessern sich nicht, wenn man das Modell tauscht.
4.1 Gemessene Harness-Deltas bei festgehaltenem Modell
| Benchmark | Modell (fix) | Aenderung am Harness | Effekt |
|---|---|---|---|
| SWE-bench Verified Mini | o4-mini | SWE-Agent → HAL Generalist | ca. 48 pp |
| SWE-bench Verified Mini | Claude Sonnet 4.5 | SWE-Agent → HAL Generalist | 68 % → 34 % (34 pp) |
| SWE-bench Verified Mini | GPT-5 Medium | SWE-Agent → HAL Generalist | 46 % → 12 % (34 pp) |
| SWE-bench Verified | Grok 4 | SWE-agent → xAI-eigenes Scaffold | 58,6 % → 72–75 % (+14 bis +16 pp) |
| Terminal-Bench 2.0 | fix | Prompt + Middleware + Verifikation | 52,8 % → 66,5 % (+13,7 pp) |
| SWE-bench Pro | Claude Opus 4.5 | SEAL → Claude Code | 45,9 % → 55,4 % (+9,5 pp) |
| Terminal-Bench 2 | GPT-5.4 (high) | automatische Harness-Evolution (AHE) | 69,7 % → 77,0 % (+7,3 pp) |
| SWE-bench Pro | mehrere | ein zusaetzlicher Such-Subagent | +2,1 bis +2,2 pp |
| Agent-Aufgaben (Vercel) | fix | 15 Tools → 2 Tools | 80 % → 100 % |
Zum Vergleich: Die als bedeutsam publizierten Modellfortschritte liegen ueblicherweise bei 2 bis 4 Prozentpunkten. Quelle [3].
4.2 Das kontrollierte Faktorial
Drei Modelle, die auf dem Coding-Leaderboard dicht beieinander lagen (Kimi K2.6 45,4 / GLM-5.1 45,3 / GPT-5.4 44,6), wurden durch drei Harness-Konfigurationen gefahren: H1 minimal und offen, H2 mit komprimiertem Kontext, schlankem Tool-Schema und strukturiertem Retry, H3 zusaetzlich mit Selbstpruefung pro Schritt, Drift-Kontrolle, Anomalieerkennung und Checkpoint-Rollback. 100 stratifizierte SWE-bench-Verified-Aufgaben, je zwei Laeufe, identische Umgebung und API-Einstellungen.
| Modell | H1 minimal | H2 verbessert | H3 voll | Spanne | HV (pp²) |
|---|---|---|---|---|---|
| GLM-5.1 | 52,5 | 56,5 | 65,5 | +13,0 pp | 29,56 |
| GPT-5.4 | 55,0 | 58,5 | 63,5 | +8,5 pp | 12,17 |
| Kimi K2.6 | 52,0 | 59,0 | 60,5 | +8,5 pp | 13,72 |
| MV (pp²) | 1,72 | 1,17 | 4,22 | 2,5–5,0 pp | — |
-
B1zentralMittlere Harness-Varianz 18,48 pp² gegen 2,37 pp² Modellvarianz. Verhaeltnis 7,80. In beiden Einzellaeufen getrennt gerechnet: 8,72 und 6,76 — kein Mittelungsartefakt.
-
B2RangfolgeSechs von neun Modellpaar-/Harnesspaar-Vergleichen kehren die Rangfolge um. Wer ein Modell anhand eines Leaderboards auswaehlt, waehlt implizit dessen Harness mit.
-
B3MechanismusDer Gewinn von H1 nach H2 kommt laut Trajektorien-Analyse aus weniger Regelrauschen (weniger fehlerhafte Ausgaben, engerer Aktionspfad), der von H2 nach H3 aus geschlossener Verifikations- und Wiederherstellungsschleife. Nicht aus mehr Modellwissen.
-
B4GegenlaeufigDie Modellvarianz ist unter H2 am kleinsten (1,17 pp²) und unter H3 am groessten (4,22 pp²). Ein besserer Harness macht die Modellwahl also nicht generell irrelevant — Verifikationsmechanismen legen bestehende Modellunterschiede teilweise erst frei.
5. Harness-Modell-Paare auf Terminal-Bench
Terminal-Bench rankt explizit Paare aus Harness und Modell, nicht Modelle allein. Der Stand vom 30. April 2026 auf der 2.0-Tafel:
| Harness | Modell | Pass Rate |
|---|---|---|
| Codex | GPT-5.5 | 82,0 % |
| ForgeCode | GPT-5.4 | 81,8 % |
| TongAgents | Gemini 3.1 Pro | 80,2 % |
| ForgeCode | Claude Opus 4.6 | 79,8 % |
| SageAgent | GPT-5.3-Codex | 78,4 % |
| ForgeCode | Gemini 3.1 Pro | 78,4 % |
| Droid | GPT-5.3-Codex | 77,3 % |
| Meta-Harness | Claude Opus 4.6 | 76,4 % |
| Capy | Claude Opus 4.6 | 75,3 % |
| Simple Codex | GPT-5.3-Codex | 75,1 % |
| Terminus-KIRA | Gemini 3.1 Pro | 74,8 % |
Claude Opus 4.6 erscheint dreimal: 79,8 % unter ForgeCode, 76,4 % unter dem automatisch evolvierten Meta-Harness, 75,3 % unter Capy. Identische Gewichte, 4,5 Prozentpunkte Spanne. Quelle [4].
5.1 Selbst die Effort-Einstellung ist ein Harness-Parameter
Artificial Analysis faehrt Terminal-Bench unter einem festen Harness (Terminus 2, e2b-Sandbox, pass@1 gemittelt ueber drei Wiederholungen). Auf v2.1 belegt ein einziges Modell die ersten drei Plaetze — allein ueber die Reasoning-Effort-Stufe:
| Konfiguration | Terminal-Bench v2.1 |
|---|---|
| Claude Fable 5.1 — Max Effort | 91,4 % |
| Claude Fable 5.1 — xHigh Effort | 91,0 % |
| Claude Fable 5.1 — High Effort | 89,9 % |
Quelle [7]. Auf der haerteren v4.0 fuehrt GPT-6 Astra (xhigh) mit 59,6 %, vor GPT-6 Astra (max) 59,1 % und Claude Fable 5.1 (xHigh) 55,1 % — wieder dasselbe Muster. Quelle [8].
6. Saettigung und Kontamination
SWE-bench Verified ist als Rangliste praktisch ausgereizt: Die Spitzenwerte liegen bei 96,0 % (Claude Opus 5), 95,5 % (Mythos 5) und 95,0 % (Fable 5) — eine Spanne von einem Prozentpunkt ueber drei Modelle. Gleichzeitig ist es das Benchmark mit dem hoechsten Kontaminationsrisiko: alle Repositories sind oeffentlich, der Median liegt bei vier geaenderten Zeilen.
Wie stark Saettigung die Aussagekraft frisst, zeigte der Sprung von Terminal-Bench 2.1 auf 4.0 Ende August 2026. Die neue Version haertet Umgebungen, Verifier und Budgets nach und entfernt acht gesaettigte oder oeffentlich geloeste Aufgaben:
87,6 % auf TB 2.1, 19,7 % auf TB 4.0. Ein Einbruch um 68 Prozentpunkte bei identischem Modell.
Scales Ausgangsbefund: Modelle mit ueber 70 % auf Verified loesten anfangs nur 23,3 % (GPT-5) bzw. 23,1 % (Claude Opus 4.1) des Pro-Satzes.
7. Was das kostet
Die Kostenbuchhaltung des Faktorials ist der interessanteste Nebenbefund: Der schwaechste Harness ist nicht der billigste. H1 verbrennt bei GPT-5.4 das 1,9-Fache der Tokens von H2 und liefert 3,5 Prozentpunkte weniger.
| Modell | Harness | Kosten (USD) | Tokens | Laufzeit | pass@1 |
|---|---|---|---|---|---|
| GPT-5.4 | H1 minimal | 34,19 | 18,9 M | 3,6 h | 55,0 % |
| GPT-5.4 | H2 verbessert | 22,19 | 9,7 M | 2,0 h | 58,5 % |
| GPT-5.4 | H3 voll | 23,05 | 10,0 M | 2,4 h | 63,5 % |
| Kimi K2.6 | H1 minimal | 24,29 | 60,4 M | 19,6 h | 52,0 % |
| Kimi K2.6 | H2 verbessert | 30,45 | 43,7 M | 11,0 h | 59,0 % |
| Kimi K2.6 | H3 voll | 33,83 | 47,7 M | 20,7 h | 60,5 % |
| GLM-5.1 | H1 minimal | 12,54 | 29,7 M | 9,2 h | 52,5 % |
| GLM-5.1 | H2 verbessert | 13,86 | 16,5 M | 7,1 h | 56,5 % |
| GLM-5.1 | H3 voll | 21,39 | 24,5 M | 8,8 h | 65,5 % |
| Summe | — | 215,79 | 261,1 M | 84,4 h | — |
100 Aufgaben je Zelle, zwei Laeufe. Laufzeit sequenziell gerechnet, nicht Wanduhrzeit eines parallelen Laufs. Quelle [3], Tabelle 9.
8. Widersprueche in den Daten
Bei der Nachpruefung sind vier Stellen aufgefallen, an denen sich Quellen widersprechen. Ich glaette sie nicht, weil sie selbst zum Befund gehoeren.
-
W1offenClaude Code mit Opus 4.5 auf SWE-bench Pro: arXiv 2605.23950 nennt 55,4 % (also +9,5 pp gegenueber SEAL) und beruft sich dabei auf Morph. Die von mir gelesene Morph-Tabelle listet Claude Code + Opus 4.5 bei 49,8 % (+3,9 pp), Cursor bei 50,2 % und Auggie bei 51,8 %. Wahrscheinlich zwei verschiedene Zeitstaende derselben Seite. Der Effekt bleibt in beiden Faellen positiv und im Bereich einer Modellgeneration, seine Groesse ist aber nicht gesichert.
-
W2offenTerminal-Bench 4.0 hat mindestens drei kursierende Spitzenwerte: Artificial Analysis misst GPT-6 Astra (xhigh) mit 59,6 %, die offizielle tbench.ai-Tafel wird mit 58,18 % fuer GPT-6 Astra im Codex-Agenten zitiert, Anthropic meldet fuer Mythos 5.1 60,9 %. Drei Harnesses, drei Zahlen, ein Benchmarkname.
-
W3VorsichtFuer Claude Opus 5 kursieren auf SWE-bench Verified 96,0 % (Anthropic-Startwert), 97,0 % (Vals-AI-Lauf) und vereinzelt 72,5 % bei Sekundaeranbietern. Der letzte Wert passt zu keiner belegten Messung und ist vermutlich ein Uebertragungsfehler. Aggregator-Zahlen ohne Harness-Angabe sind grundsaetzlich unbrauchbar.
-
W4MethodikAnthropic weist in der Fussnote zum Opus-5-Start offen aus, dass die Frontier-Bench-Werte unter
mini-swe-agentauf GKE entstanden, als Mittel ueber fuenf Versuche je Aufgabe, und dass Opus 4.8 bei Ablehnungen durch Sicherheitsklassifikatoren als Fallback einsprang. Vals AI berichtet fuer denselben Fallback-Mechanismus, dass das Zaehlen der neun betroffenen Terminal-Bench-Durchgaenge als Fehlschlag den Wert von 84,64 % auf 81,27 % senkt. Solche Offenlegung ist die Ausnahme, nicht die Regel.
9. Warum Modelle nicht portabel sind
Der technische Grund fuer den Harness-Effekt ist konkret und dokumentiert. Cursors Harness-Team beschreibt ihn so: OpenAI-Modelle sind darauf trainiert, Dateien ueber ein Patch-Format zu bearbeiten, Anthropic-Modelle ueber String-Ersetzung. Beide koennten beides bedienen, aber das jeweils fremde Werkzeug kostet zusaetzliche Reasoning-Tokens und erzeugt mehr Fehler. Cursor stattet deshalb jedes Modell mit dem Tool-Format aus, das es waehrend des Trainings hatte.
Dasselbe gilt fuer Zitat-Tags, Memory-Rituale, die Reihenfolge der System-Prompt-Abschnitte und die Namen der Kontextdateien. Ein Modell, das gelernt hat, unter einer bestimmten Ueberschrift nach Gedaechtnisinhalten zu suchen, findet sie unter einer anderen nicht. Cursor berichtet, das eigene Coding-Agent-System allein durch Harness-Aenderungen von Rang 30 auf Rang 5 der Terminal-Bench-2.0-Tafel gebracht zu haben — gleiches Modell, gleiches Benchmark.
10. Was daraus folgt
-
E1AuswahlModell und Harness als Paar bewerten. Eine Modellzahl ohne Harness-Angabe ist eine unvollstaendige Versuchsbeschreibung. Fuer den reinen Modellvergleich taugt allein ein Board mit fixiertem Harness — derzeit Scale SEAL und Artificial Analysis.
-
E2ReihenfolgePraktische Lesereihenfolge fuer eine Kaufentscheidung: erst der private/kommerzielle Satz (naeher an eigenem Code), dann der standardisierte oeffentliche Satz, zuletzt Herstellerzahlen — und die nur als Obergrenze mit optimiertem Scaffold.
-
E3InvestitionWer 8 bis 13 Prozentpunkte sucht, findet sie eher in Kontextkompression, schlankerem Tool-Schema, strukturiertem Retry und Verifikation vor der Abgabe als im naechsten Modellwechsel. Die Vercel-Messung (15 Tools auf 2, 80 % auf 100 %) ist das billigste Beispiel dieser Klasse.
-
E4HaltbarkeitHarness-Bausteine kodieren Annahmen darueber, was ein Modell nicht allein kann. Diese Annahmen veralten. Komponenten, die fuer eine Modellgeneration tragend waren, werden in der naechsten zu Ballast — das gehoert regelmaessig ueberprueft.
-
E5Eigene MessungDie einzige Zahl, die eine Entscheidung wirklich traegt, ist eine eigene Messung auf dem eigenen Backlog bei festgehaltenem Harness. Minimaldesign: 2×2-Raster aus zwei Modellen und zwei Harnesses, identische Aufgabenreihenfolge, identische Abbruchregeln.
11. Quellen
- Scale Labs — SWE-Bench Pro Leaderboard (Public Dataset), vollstaendige Tabelle und Methodik. labs.scale.com/leaderboard/swe_bench_pro_public
- Scale Labs — SWE-Bench Pro Leaderboard (Private Dataset). labs.scale.com/leaderboard/swe_bench_pro_private
- Zhang, Wang, Ge, Xu, Hamm, Reddy: Stop Comparing LLM Agents Without Disclosing the Harness, arXiv:2605.23950 (7. Mai 2026). Tabellen 1, 2, 7 und 9. arxiv.org/pdf/2605.23950
- Nicolas Bustamante: Model-Harness-Fit (3. Mai 2026) — Terminal-Bench-2.0-Paartabelle vom 30. April 2026, Cursor- und LangChain-Zitate. nicolasbustamante.com/blog/model-harness-fit
- Kapoor, Stroebl, Kirgis et al.: Holistic Agent Leaderboard, arXiv:2510.11977 — 21.730 Rollouts, 9 Modelle, 9 Benchmarks, ca. 40.000 USD Evaluationskosten. arxiv.org/html/2510.11977v1
- Morph: SWE-Bench Pro Leaderboard (2026) — Agent-System-Tabelle mit selbstberichteten Scaffold-Werten. morphllm.com/swe-bench-pro
- Artificial Analysis — Terminal-Bench v2.1 Leaderboard, Terminus-2-Harness in e2b-Sandbox, pass@1 ueber 3 Wiederholungen. artificialanalysis.ai/evaluations/terminalbench-v2-1
- Artificial Analysis — Terminal-Bench v4.0 Leaderboard, 66 Aufgaben, pass@1 ueber 3 Wiederholungen. artificialanalysis.ai/evaluations/terminalbench-v4-0
- Merrill, Shaw, Carlini et al.: Terminal-Bench: Benchmarking Agents on Hard, Realistic Tasks in Command Line Interfaces, arXiv:2601.11868. arxiv.org/abs/2601.11868
- Anthropic: Introducing Claude Opus 5 (24. Juli 2026), inkl. Harness-Fussnote zu Frontier-Bench v0.1. anthropic.com/news/claude-opus-5
- Flowtivity: Terminal-Bench 4.0 Exposes Inflated AI Scores (September 2026) — TB-2.1-zu-4.0-Vergleichswerte. flowtivity.ai/blog/terminal-bench-4-score-crash/
- Artificial Analysis — Coding Agent Index (DeepSWE v1.1, Terminal-Bench 4.0, SWE-Atlas-QnA; je pass@1 aus 3 Versuchen, gleichgewichtet). artificialanalysis.ai/agents/coding-agents
- Codersera: Claude Opus 5 Benchmarks Explained — Vals-AI-Offenlegung zum Refusal-Fallback (84,64 % gegen 81,27 %). codersera.com/blog/claude-opus-5-benchmarks-explained-2026/
- Aider — Polyglot-Leaderboard und Benchmark-Beschreibung (225 Exercism-Aufgaben, sechs Sprachen). aider.chat/docs/leaderboards/
12. Pruefprotokoll
Jede Zahl in diesem Report wurde gegen ihre Quelle zurueckgelesen. Was dabei gemacht wurde:
- Die beiden SEAL-Tabellen (§2, §3) sind vollstaendig von der Scale-Leaderboard-Seite uebernommen, inklusive Konfidenzintervallen und Harness-Markierung. Keine Umrechnung, keine Rundung.
- Das Faktorial (§4.2) und die Kostentabelle (§7) stammen aus Tabelle 2 und Tabelle 9 derselben Arbeit. Die HV/MV-Kennzahl 7,80 ist im Papier angegeben und wird hier nicht nachgerechnet, wohl aber gegen die berichteten Einzellaufwerte 8,72 und 6,76 auf Plausibilitaet geprueft.
- Die Spitzenwerte auf Terminal-Bench v2.1 und v4.0 wurden direkt von den beiden Artificial-Analysis-Seiten gelesen und mit einer unabhaengigen Sekundaerquelle gegengeprueft; beide nennen fuer GPT-6 Astra (xhigh) 59,6 % und fuer Claude Fable 5.1 55,1 %.
- Die Anthropic-Fussnote zum Harness wurde aus der Primaerseite zitiert, nicht aus einer Zusammenfassung.
- Vier Widersprueche liessen sich nicht aufloesen und stehen offen in §8. Aggregator-Werte ohne Harness-Angabe wurden nicht in die Tabellen aufgenommen.
- Nicht geprueft und daher nicht als Zahl verwendet: kursierende Angaben zu Kostenspannen zwischen Harnesses (etwa ein 32-faches Verhaeltnis bei gleichem Modell) — dafuer fand sich keine belastbare Primaerquelle.