目前herness很多，有些人说pi比较好，有些人说带默认配置工程化的claude/codex/reasonix比较好，有些人说原厂模型配的herness最好。众说纷纭，但又缺失公平公正的证据。 
所以就想问问有没有测评，国模和国际模型，在不同hernees，解决同bug问题的得分（时间/完成率/效率【解决问题用到的token】）  看一下究竟是好马配好鞍，还是说让马儿不受约束跑的最快最好？