基准DeepSeek Open Source Benchmark for Unified Evaluation / DeepStop UE
DeepStop UE
DeepSeek发布的开源编程智能体评估基准，涵盖代码生成、调试、多步骤任务执行等场景，核心特点是同时评估模型与工具链（harness）的整体协同表现，而非孤立测试模型语言能力
时间轴 (近 90 天)
9月18日
在使用同一checkpoint、同为max effort设置时，DeepSeek精简版harness在DeepStop UE上得分72.6，而OpenCode仅为65.5
待验证50%
9月18日
DeepStop UE（DeepSeek Open Source Benchmark for Unified Evaluation）是DeepSeek用于评估编程智能体能力的基准测试集，考察智能体与harness协同运作的整体表现
待验证50%