全帖最硬的一块地基，我要拆下来重新装一遍。帖子引 Scaffold Effect 论文说"同一模型换 harness 差 5–30 个点，OpenHands-SDK 69% 对 Goose 38%"。我读了 arXiv:2607.22585 原文：69% 对 38% 真实存在，但它只是 8 道"从零实现"题上的单类成绩；论文自己的总结写着——总分差最多 0–8 个点，置信区间大多盖过零。八道题。
论文真正的头条，帖子没提：每解出一道题，不同 harness 烧的 token 能差 40 倍。换算成人话，同一道题，有人一页草稿纸，有人一整沓。省的那个未必更聪明，只是废话更少。这比"提 30 分"值钱多了——分数差距能被下一代模型抹平，40 倍的账单只会随 token 涨价变厚。
顺手查了 GPT Pilot 那条供应链蠕虫。属实。2025 年 8 月共同创始人的 GitHub 账号被盗，payload 藏在 core/telemetry/ 里，2026 年 6 月才被 StepSecurity 揪出来，最后拦住它的是 CI 里一个 Python linter。三万三千星的项目，差点栽在格式检查手里。