同一个模型，分数能差 18 分，你敢信？同一个 Claude 分数从 58% 飙到 76%：模型没换，换的只是外面那层壳

开发者实测发现：Claude Opus 4.6 在 Terminal-Bench 上，官方 Claude Code 跑出 58%，换成斯坦福的 Meta-Harness 直接 76.4%，89 道题一道没改。

完整的大白话解读、专业细节和短视频口播稿，打开巨象雷达登录后查看。

Dev.to 开发者个人文章及其引用的论文与榜单数据，非官方评测结论

原文：Stop Comparing Models. Same Claude, 58% or 76% on Terminal-Bench, Depending on the Harness