DeepSuite
DeepSeek官方推出的综合性AI能力评测基准，用于测量模型在多种任务场景下的综合表现
核心事实
时间轴 (近 90 天)
Argon 在 DeepSWE v1.1 上以 77.9% 领先 Opus 5.5 的 74.2%；在 Terminal-Bench 4.0 上，Opus 5.5 以 66.4% 对 57.4% 领先。
在DeepSuite基准上，Muse Wonder以79分登顶，小版本为78.8，Fable为67，Astra为71，Opus 5.5为74。
Muse Wonder Full在DeepSuite等长程编程基准测试中处于领先位置。
在DeepSuite上GPT-6.1 Sol领先Sonnet 5.5约4.2分，而Sonnet在AutomationBench上以8.7分优势胜出
在 DeepSWE 1.1 测试中，GPT-6.1 Sol 得 75.2%，Astra 为 74.8%，Cloud Sonnet 5.5 为 71.0%，GPT-6 Sol 最高 68.8%
在DeepSuite基准上Grok 4.7得71%，GPT 5.6 Sol为72.7%，Fable 5.1为70%，Astra Max以74.1%登顶
Grok 4.6在DeepSuite评测中得分65.9分，排名第三，落后于GPT-5.6 Sol Max（73分）和Fable 5（70%）
DeepSuite被认为是最贴近真实编程体验的评测，因为它模拟完整的软件工程任务流而非单纯的代码补全
全部知识事实 (4)
在DeepSuite基准上Grok 4.7得71%，GPT 5.6 Sol为72.7%，Fable 5.1为70%，Astra Max以74.1%登顶
65%待验证在DeepSuite上GPT-6.1 Sol领先Sonnet 5.5约4.2分，而Sonnet在AutomationBench上以8.7分优势胜出
50%待验证在 DeepSWE 1.1 测试中，GPT-6.1 Sol 得 75.2%，Astra 为 74.8%，Cloud Sonnet 5.5 为 71.0%，GPT-6 Sol 最高 68.8%
50%待验证DeepSuite被认为是最贴近真实编程体验的评测，因为它模拟完整的软件工程任务流而非单纯的代码补全
50%