并非能力问题：Harness 灵敏度在 LLM Agent 层级中呈非单调

在 LLM agent 部署中，普遍假设是更结构化的 harness 必然提升可靠性，且高能力模型需要更少的结构化指导——这共同暗示模型能力等级与最优 harness 复杂度之间存在单调的反关系。我们通过在 HEAT-24 上进行一次受控的 432 次实验，横跨六个模型、四个能力等级，测试三个 harness 条件（轻型、平衡、严格），来检验这一假设。我们的结果在两个方面否定了单调反关系。首先，针对评估的前沿聊天模型（Gemini 2.5 Flash），harness verbosity 的增加会使 VTSR 下降 29-38 个百分点——出现了 harness 复杂度悖论。其次，针对评估的前沿推理模型（Qwen3.5-122B，启用扩展思考），严格 harness 实现最高的 VTSR（91.7%）和最低的延迟，与预测的相反。受限等级内的 2B 模型（Gemma4:e2B）在所有 harness 条件下均达到 91.7% 的强开放等级稳定性。由于本研究中每个等级仅由单个模型代表，这些结果应解释为模型特定的观察；harness 灵敏度在所评估的模型中呈非单调，且严重取决于模型类型（聊天型 vs. 推理型）。我们引入六标签的失败分类法，表明 format_violation 在能力较强的模型失败中占主导，而 wrong_file 在低能力模型失败中占主导，我们推导出实用的方法感知 harness 选择指南。