待验证50% 置信基准精确时间
在 Agent 任务上 Agens Volundr 32B 落后：tau2-bench 为 74.2（对手 79-80），SWE-bench Verified（50题子集）仅 44（对手 58-64）
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/5
首次发现
有效期至：2027/1/3
来源
涉及实体
相关事实
待验证DeepSeek V4.1号称SWE拿到74，但博主发现那是多次测试中挑出的最好成绩，open code实测65、PI实测6663% 相似待验证Caveman给出的固定54次运行基准测试结果显示输入Token减少33.2%，且18/18项正确性检查全部通过62% 相似待验证路径A中RTX 3060跑前段层、AMD AI Max+ 395跑后段层，在IQ3量化64K长输入下Prefill速度从136.69 token/s提升到319.1 token/s61% 相似待验证Luna模型的fail_fast/endstate得分是64/55，差距对应那些逐轮看都干净、终态却是烂的轨迹61% 相似待验证MiniCPM5-2B在SWE-bench上的成绩击败了参数量是其两倍的4B级对手61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/977118API
curl https://kongchang.com/api/v1/knowledge/claims/977118MCP
get_claim(id=977118)