Harbor-Index 是一项面向 Agent 的高难度评测。它把模型放进真实工具环境，要求 Agent 读取文件、修改代码、运行工具，并根据结果和报错不断调整，直到完成任务。

这套基准从54套 benchmark 的6627个候选任务中筛选题目，最终留下82道高难任务，覆盖软件工程、科研计算、数据分析等领域。任务往往需要连续执行多步，理解错需求、选错工具，或遇到报错后无法恢复，都可能导致失败。

U2-Flash 采用“后训练 × 递归自我改进（RSI）”路线。按照官方披露，模型会参与任务生成、轨迹分析、错误定位和纠错重采，以提升完成可验证任务的能力。

在本轮评测中，六款模型的成绩如下：

U2-Flash：9.76%

Kimi K3：8.21%

GLM-5.3-Flash：8.21%

DeepSeek V4.1 Flash：7.31%

Qwen3.8-Flash：7.31%

DeepSeek-V4-Flash：7.31%

U2-Flash 的领先，体现了它在复杂任务中调用工具、处理错误并持续推进的强大能力。