DeepSeek V4.1 Flash:Agent脚手架基准测试对比

DeepSeek V4.1 Flash技术报告第5.3.4节对比了不同编码Agent脚手架的性能,以表明该模型不依赖于任何特定测试框架。基准测试包括DeepSWE v1.1和Terminal-Bench v2.1。结果显示,第三方框架表现良好(Claude Code在DeepSWE上得分69.8,mini-SWE最高74.2)。DSH内部模式表明工具并不总是有帮助(Minimal 72.6,Standard 70.5,PTC 67.6)。Terminal-Bench得分紧密聚集(84.1–90.6)。Claude Code在4个版本中进行了测试,结果稳定(DeepSWE平均68.9,Terminal-Bench平均87.8)。