推文

@xiax0603 · 2026-10-17 16:58

🚨Benchmark细节解读：DeepSeek -V4.1-Flash-1017各维度增益拆解！ Terminal-Bench 4.0涨幅最惊人，代表Shell命令、终端环境执行这类实操任务能力大幅提升。 DeepSWE、NL2Repo代表仓库级代码理解与修改能力稳定上涨。 DeepSWE v1.1散点图非常直观：DS-V4.1-Flash-1017最高77% Pass@1，落在整张图左上角最优性价比位置。 横轴为对数成本标尺，它仅用0.2美元级别的单任务开销，就实现超过Kimi K3、GLM-5.3、GPT-6 Sol最高档位的代码通过率；对比Claude Opus5，在差距很小的Pass率下，成本仅为其几十分之一。 同旧版V4.1 Flash对比，新版本全推理档位的Pass@1全部抬升，不是仅顶配档位单点提升。Chartography、BabyVision验证带工具多模态能力同步优化。 评测使用独立 harness：Terminal-Bench采用Claude Code测试框架，DeepSWE使用Mini-SWE-V2，评测体系偏向真实开发场景，不是简单选择题。 Flash系列的产品定位，正在从基础推理模型转向低成本工程Agent底座。

曝光 646 · 评论 4 · 点赞 8 · 书签 1 · 曝光/时 695.3691234603881