jevagentharness/jevagentharness 是一个本地兼容 OpenAI 的代理，由一个小型判定模型把编码智能体的每个步骤分类为“普通”或“难题”，再据此分配模型。普通步骤交给快速模型，难题交给更强的模型。据 README 说明，需要 Python 3.10 及以上版本，项目仍处于 alpha 阶段。
README 公布了按各 harness 各运行一次 Terminal-Bench 2.0 所持 74 个任务的结果。mini-swe-agent 的成功率从 66.2% 降到 63.5%，下降 2.7 个百分点，95% 区间为 -14.9~+8.1。每个任务的成本从 0.91 美元降到 0.33 美元，减少 64%；耗时从 13.7 分钟降到 7.9 分钟，减少 43%。pi 和 DeepSeek Harness 在成功率没有下降的情况下，成本降低 28~31%，耗时降低 4~15%。但仍留在强模型上的步骤占比为 45~55%。
节省幅度取决于快速模型的价格差。每 token 便宜 2.7 倍的 Flash 只节省了 7~13%，而便宜 4~7 倍的 Flash-Lite 则节省了 28~64%。Terminus-2 中，基线的 74 个任务有 53 个以超时告终，作者表示无法据此得出结论。运行前注册的协议、各任务的原始数据、arXiv 2610.21412、模型与数据均已公开。不过这是 alpha 项目作者的自行实测，仅凭 Terminus-2 的结果无法判断其性能。