推文

@fireandstart · 2026-10-13 03:33

“达到前沿编码能力”是一个很强的结论，接下来最有说服力的，是把能力拆成开发者可复核的任务：真实仓库里的需求理解、跨文件修改、测试定位与回归修复，能否在长工具链中稳定完成；遇到不完整信息时会不会先验证假设；同一任务多次运行的成功率、耗时和 token 成本如何。单个榜单名次容易受题目与提示方式影响，最好同时给出基准范围、模型版本、推理档位、工具配置和失败样例。这样大家试用 Muse Wonder 时，就能区分“某类题目很强”和“日常编码代理确实可靠”。也期待研究介绍把这些边界讲清楚，尤其是 Full Max 相比其他版本在哪些工作流上提升最大。发布模型很令人振奋，能让外部用户复现实测口径，会让这份进展更容易转化成信任与实际采用。

曝光 44 · 评论 0 · 点赞 0 · 书签 0 · 曝光/时 3.4422119671694555