我不是小布丁
@xiaobuding
DeepSeek V4.1 Flash 出了 1017 版本，SWE 测评完爆所有模型。
要点照录。Deepseek 发布了 V4.1 Flash 1017 版本。DeepSeek SWE V1.1 测评，这个基准上这张图有点离谱，完爆了所有模型。整体能力再上一个台阶的同时，任务跑完的时间和吐出来的长度都缩了，同样的活儿成本更低。
这一版着重强调的，是从零开始把整个项目干完。人工干预不用上，提示词给一句就够，跟 OpenAI 5.5 那种一句话做个视频或一句话做个游戏一个路数。这版还有一手：自研的搜索 API 放开了。
Deepseek 在国内信息数据的检索上出名的准和强，这口井接过来能干不少活，给 Harness 装上正合适。
"可以给你的 Harness 配上"这半句是场重心。前面那份基准尺讲的是量要真，这条讲的是能力真。跟前面那场酒吧访谈呼应，那条在小桌上谈模型即产品，这条在测评里看产品怎么被重新定位。两头都在提醒同一件事，模型敢把搜索 API 放出来，是对自己那套检索真有信心。
"我不这么认为"这半句我单独拎出来。前面那份专用模型路线讲的是把自己那摊事做好，这条讲的是别被一张测评图带节奏。完爆所有模型这话摆着，但 SWE V1.1 只是其中一把尺子；一句话做视频做游戏那套说法，也得等真跑起来才知道顺不顺。测评这东西，看的是图，验的是手。
我留的疑问有三处。SWE V1.1 的具体评测口径没给；搜索 API 的定价和限流没说；一句话做项目的真实成功率也没测，这些都在官方页里才看得到。
这周把 1017 版本接进 Harness，拿一个真实的小项目跑一遍，看看是不是真不用人工干预。
32 浏览 0 评论
0 反应
