2026 年 4 月 22 日，開發者 Charles Azam 發表深度實測：把三個開源編碼 Agent fork 後接上同一顆 GLM-4.7，在 Terminal-Bench 2.0 的 89 個任務對跑；閉源的 Claude Code 經 ZAI 的 Anthropic 相容端點原生執行。
為什麼重要：模型能力常被視為 Agent 表現的唯一變數；這份研究固定模型後量出「腳手架」的影響——同模型、同題目，最高最低相差逾兩倍。
實驗設計：同一顆 GLM-4.7 跑 Terminal-Bench 2.0
四款受測者：Codex（OpenAI，Rust）、Gemini CLI（Google，TypeScript）、Mistral Vibe（Python）、OpenCode（TypeScript/Bun）。模型是 ZAI 開源的 GLM-4.7，在 Artificial Analysis 上與 Claude Sonnet 4.5 同級。
題目是 Terminal-Bench 2.0（經 Harbor 執行）：89 個 Docker 隔離、限時的真實任務，涵蓋除錯、跨檔重構、測試生成與修復建置。分數為 5 次執行平均，變異約 5%。實驗燒掉約 50 億 token，靠 ZAI 每月 60 美元訂閱跑完（約每秒 100 token）。
兩倍差距：Vibe 0.35 對上 Codex 0.15
GLM-4.7 成績：Mistral Vibe 0.35、Claude Code 0.29、Gemini CLI 0.23、OpenCode 0.21、Codex 0.15。對照 Terminal-Bench 官方排行榜，Claude Code 與 Terminus 2 直連 API 約 0.33，量級一致。差距來源，作者說得直白：是「模型周圍的程式碼」。
fork 難度與成績反向相關：Mistral Vibe 只要 13 個檔案、1 個 commit；Gemini CLI 動 49 個檔案，含 812 行協定轉譯器；Codex 得深改 Rust、重譯 Responses API，還弄丟 prompt caching 與原生 shell 工具。作者的排序：「Adapter pattern 遠勝 translation layer，再遠勝 type system surgery」。
五個拉開差距的架構面
- 檔案編輯：寬容的編輯工具勝出（OpenCode 有 9 種策略 fallback）；Codex 的 patch DSL 是 GPT 微調過的方言，換模型就吃虧
- 沙箱：從 Codex 的五層 OS 級防護（bubblewrap、seccomp）到 OpenCode 的「只有核准提示」
- 上下文管理：Mistral Vibe 的主動壓縮在多步任務勝過 Codex 的被動截斷
- 錯誤處理：兩層式設計（基礎設施錯誤靜默、任務錯誤可見）是最佳折衷
- 記憶：只有 Codex 跨 session 學習（兩階段記憶抽取管線）
換上 GLM-5 之後排序不變
換 GLM-5 重跑：Mistral Vibe 升到 0.48（+38%）、Claude Code 0.40（+40%）、Gemini CLI 0.35（初步，+54%）。排名不動，架構優勢跨世代延續；代價是逾時更頻繁：Claude Code 27%、Mistral Vibe 24% 的任務逾時。
給腳手架開發者的教訓
作者的結論：「Scaffolding still dominates」。第一，選模型前先挑腳手架——遷移成本與耦合度由 adapter 設計決定，客製協定是長期負債。第二，開放權重模型已能在合適腳手架發揮戰力，從 GLM 到專為 agentic coding 調校的 Qwen3.6-35B-A3B 都值得評估。第三，別只想升級模型——編輯工具寬容度、壓縮時機這類工程決策，貢獻量級與換代相同。正如作者收尾：編碼 Agent 最有趣的不是迴圈，而是迴圈之外的一切。
參考來源
- I Forked 4 CLI coding agents to Run the Same Model. I found a 2x gap — Charles Azam
- Show HN 討論串 — Hacker News
本文由 AI 協助自上述來源整理，經人工審核後發布。