Stand: November 2026
Claude Opus 4.6 löste auf Terminal-Bench 2.0 im hauseigenen Claude Code 58 Prozent der Aufgaben, in der schlichten Referenzumgebung des Benchmarks 63 Prozent. Dasselbe Modell, dieselben Aufgaben. Wer über KI-Coding spricht, redet meist über Modelle. Zum Auftakt dieser Serie schauen wir uns an, was das Harness rund um das Modell leistet und wie es die Ergebnisse beeinflusst.
Was ist ein Harness?
Egal wie gut ein Modell ist, es erzeugt nur Text und kann aus eigener Kraft weder eine Datei lesen noch einen Befehl ausführen. Ein Harness ändert das: Es ist eine Software, die alles um das Modell herum organisiert und die Interaktion des Modells mit seiner Umgebung ermöglicht. Systemprompt, Werkzeugdefinitionen, Kontextverwaltung (Zusammenfassen, Nachladen), Rechtesystem und Oberfläche werden vom Harness gestellt, insbesondere auch die Agentenschleife, also das „autonome“, iterative Arbeiten, bis ein gegebenes Ziel erreicht ist. Erst das Harness macht aus einem Sprachmodell einen Agenten.
Ein Beispiel: „Setze debug auf true in allen Konfigurationsfiles.“
| Nutzer | Modell |
|---|---|
| Prompt stellen | – |
| Dateien suchen | – |
| Dateien lesen Inhalte in den Chat kopieren | – |
| – | Neuen Text produzieren Änderungen vorschlagen |
| Änderungen vornehmen Vorschläge übernehmen | – |
| Nutzer | Modell |
|---|---|
| Prompt stellen | – |
| – | Dateien suchen Suchaufruf ans Harness |
| – | Dateien lesen Leseaufruf ans Harness |
| – | Neuen Text produzieren Neue Fassung für die Datei |
| – | Änderungen vornehmen Schreibaufruf ans Harness |
Viele Modellhersteller bieten ihr eigenes Harness an. Am bekanntesten sind wohl Claude Code von Anthropic und Codex von OpenAI. Daneben gibt es unter anderem Gemini CLI und Antigravity von Google, Kimi Code und Qwen Code. Dazu kommen kommerzielle Werkzeuge wie Cursor oder GitHub Copilot, die Modelle verschiedener Hersteller einbinden, sowie unabhängige, freie Alternativen wie Cline, Pi und OpenCode.
Wie viel macht das Harness aus?
Die Modellhersteller empfehlen jeweils ihr eigenes Harness. Intuitiv ergibt das auch Sinn: Zum Beispiel können Systemprompt und Tools auf die Fähigkeiten des Modells zugeschnitten werden, und umgekehrt wird Reinforcement Learning im Training verwendet, um die Modelle möglichst gut auf die eigene Umgebung abzustimmen.
OpenAI schreibt das in seinem Codex Prompting Guide ganz offen: Die Codex-Modelle seien darauf trainiert, das Diff-Format des hauseigenen Werkzeugs apply_patch besonders gut zu beherrschen. Wer ein eigenes Harness baut, dem empfiehlt OpenAI daher „dringend“, genau diese Implementierung zu übernehmen. Auf andere Werkzeuge sei das Modell dagegen „nicht unbedingt“ nachtrainiert.
Wie stark dieser Effekt sein kann, zeigt ein Experiment von Hugging Face und Liquid AI vom September 2026. Schon vor dem Training löste das kleine offene Modell LFM2.5-2.6B mit denselben Gewichten 62 Prozent der Testaufgaben (Datenanalyse) in Mini-SWE-Agent, aber nur 33 Prozent in Claude Code. Nachdem die Autoren das Modell per Reinforcement Learning nur in OpenCode trainiert hatten, stieg seine Quote dort von 34 auf 58 Prozent. In den anderen drei getesteten Harnesses fiel der Zuwachs deutlich geringer aus. Das Fazit der Autoren: Ein Modell wird dort besser, wo es trainiert wird. Sie beschreiben auch, dass einige Labore deshalb bewusst in mehreren Harnesses trainieren. So baut Kimi K3 für sein Training unter anderem Claude Code und Codex nach, und Qwen3-Coder-Next erzeugt seine Trainingsdaten in sechs verschiedenen Harnesses.
Bei den großen Modellen lässt sich ein Heimvorteil des eigenen Harnesses in Benchmarks aber gar nicht so gut belegen. Das zeigen ältere Ergebnisse von Terminal-Bench 2.0, wo viele Modelle in mehreren Harnesses auf denselben 89 Aufgaben gemessen wurden. Angegeben ist der Anteil gelöster Aufgaben:
| Modell | Nativ | Terminus 2 | Droid |
|---|---|---|---|
| Claude Opus 4.6 | 58,0 % (Claude Code) | 62,9 % | 69,9 %* |
| Claude Opus 4.5 | 52,1 % (Claude Code) | 57,8 % | 63,1 %* |
| GPT-5.2 | 62,9 % (Codex CLI) | 54,0 % | 64,9 %* |
| Gemini 3 Flash | 47,4 %* (Gemini CLI) | 51,7 % | – |
Nativ: Harness des Modellherstellers. Terminus 2: Referenz-Harness des Terminal-Bench-Teams. Droid: Harness von Factory. * nicht von Terminal-Bench verifiziert, also vom Einreicher selbst gemeldet. Konfidenzintervall pro Eintrag etwa ±2,5 bis 3 Prozentpunkte. Die Modelle stammen aus der Zeit von November 2025 bis Februar 2026.
In diesen Messungen auf Terminal-Bench 2.0 schnitten die Anthropic-Modelle im eigenen Harness sogar merklich schlechter ab als in den anderen Harnesses der Tabelle. Bei GPT-5.2 lag Codex dagegen fast neun Punkte vor Terminus 2, was zu OpenAIs Angaben über das Training passt. Mit Terminal-Bench 2.1 haben sich die Ergebnisse durch Korrekturen an den Aufgaben auch zugunsten der Herstellerharnesses verschoben. Bei Opus 4.6 drehte sich die Reihenfolge um: Claude Code erreichte 70,1 Prozent, Terminus 2 63,8 Prozent. Auch die Benchmarkversion beeinflusst also das Bild.
Die aktuellen Generationen der großen Modelle werden dagegen meist nur noch im „nativen“ Harness getestet. Für Opus 5.5 oder GPT-6 gibt es daher kaum belastbare Vergleichszahlen.
Was bei der Wahl eines Harnesses zählt
Benchmarks zeigen, wie eine konkrete Kombination aus Modell und Harness bei bestimmten Aufgaben abschneidet. Für den eigenen Einsatz zählen auch die verfügbaren Modelle, die Kontrolle über die Werkzeuge des Agenten und die Frage, wie leicht sich der Anbieter wechseln lässt.
Im nächsten Teil der Serie schauen wir uns OpenCode als unabhängiges Harness an. Dort geht es darum, wie Modellwechsel und eigene Agenten funktionieren, welche Rechte OpenCode standardmäßig vergibt und für wen sich der Umstieg lohnt.
Artikel-Banner generiert mit GPT Image 2. Bestimmte Abschnitte wurden von KI überarbeitet.