拿它跑了条链路很长的活，中途它自己把 harness 里 agent swarm 那组工具调用翻出来用了，我提示词里压根没提这东西，它自己决定拆任务、分给子代理、再把结果收回来组合。
这个属实超出预期。上次测 flash 的印象还停在复杂工具链想都别想，单个 tool call 都能给你调歪，参数漏一半那种。这回几十步之后还记得前面定下的约束，中间没跑偏，这个进步幅度比跑分好看多了。
当然我这就一条链路，样本小得可怜，运气成分排除不掉。有在生产里挂长任务的说说稳定性，我最想知道的是连着跑两三个小时会不会开始摆烂。
