待验证50% 置信观点精确时间
博主指出基准对比存在四个折扣因素：测试框架不同（TerminalBench 1017 在 ClaudeCode 框架内运行而基線在 DeepSeek 框架内）、Artificial Analysis 自行测试旧版 Flash 的 TerminalBench 仅得 26.8% 而非 31.2%、竞品对比使用 Opus 5 和 GPT 5.6 Sol 而非最新型号、旧模型 NL2 repo 分数在不同表格中不一致（64.0 vs 65.4）。
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/18
首次发现
有效期至：2026/11/1
来源
DeepSeek新版本实测：价格不变成本暴降60%
bilibili枫叶边城2026/10/18
涉及实体
相关事实
待验证盘古2.0 Flash在SWE-Bench Verified工程实战测试中得分仅63.1，在所有对比模型中垫底75% 相似待验证在Terminal Bench 2.1基准测试上，GPT-5.6 Sol的Ultra模式接近92%，超越竞品的88%表现67% 相似待验证盘古2.0 Flash在Tau2-Bench客服工具调用测试中得分88.0，在WildCloudBench中得分41.5超过397B模型的34.567% 相似待验证盘古2.0 Flash在可验证指令遵循测试中得分95.9，位列全场第一65% 相似待验证在新版24点问题（数字2、7、8、10，要求三个不同解法）测试中，DeepSeek V4.1 Flash 三个解法全部出错，均违反每个数字只能使用一次的约束64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1059843API
curl https://kongchang.com/api/v1/knowledge/claims/1059843MCP
get_claim(id=1059843)