DeepSWE v1.1
面向软件工程任务的AI能力基准测试，评估模型在真实生产仓库中的代码理解、重构与缺陷修复表现
核心事实
时间轴 (近 90 天)
官方基准显示 DeepSWE v1.1 从 74.2 提升到 77.0（Mini-SWE-V2 环境），Terminal-Bench 4.0 从 31.2 提升到 42.3（Claude Code 环境）。
官方自报数据显示，V4.1-Flash-1017 相比 V4.1-Flash 在 Terminal-Bench 4.0 上从 31.2 提升至 42.3（+11.1），HLE 从 36.8 提升至 42.6（+5.8），DeepSWE v1.1 从 74.2 提升至 77.0（+2.8），Automation-Bench 从 54.8 提升至 60.5（+5.7）。
DeepSeek-V4.1-Flash-1017 在 DeepSWE v1.1 上得分 77.0，超过 Claude Opus 5 的 74.0。
OpenRouter 模型页显示，在所有流量中 DeepSeek V4.1 Flash 约占 36% 的 token，GPT-6.1 Sol 约 18%。
V4.1-Flash-1017 在 DeepSWE 评测集上得分为 77.0 分。
Gemini 4 Argon 在 DeepSWE v1.1 基准测试中取得 77.9% 的 SOTA 成绩。
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 DeepSWE v1.1（编程）基准测试中，Gemini 4 Argon 得分为 77.9%，Claude Opus 5.5 为 74.2%，GPT-6 Astra 为 74.1%。
GLM-5.3-Flash 在 DeepSWE v1.1 得63.4分，比 GLM-5.2 的46.2分提升17.2分；HLE 得55.3分。
在 Deep Study 软件工程测试中，Argon 得分 77.9%，高于 GPT-6 Astra 和 Cloud Opus 5.5（后两者约为 74%）
还有 2 条时间轴事件
全部知识事实 (8)
DeepSeek-V4.1-Flash-1017 在 DeepSWE v1.1 上得分 77.0，超过 Claude Opus 5 的 74.0。
70%已验证V4.1-Flash-1017 在 DeepSWE 评测集上得分为 77.0 分。
65%部分验证OpenRouter 模型页显示，在所有流量中 DeepSeek V4.1 Flash 约占 36% 的 token，GPT-6.1 Sol 约 18%。
65%待验证官方基准显示 DeepSWE v1.1 从 74.2 提升到 77.0（Mini-SWE-V2 环境），Terminal-Bench 4.0 从 31.2 提升到 42.3（Claude Code 环境）。
50%待验证官方自报数据显示，V4.1-Flash-1017 相比 V4.1-Flash 在 Terminal-Bench 4.0 上从 31.2 提升至 42.3（+11.1），HLE 从 36.8 提升至 42.6（+5.8），DeepSWE v1.1 从 74.2 提升至 77.0（+2.8），Automation-Bench 从 54.8 提升至 60.5（+5.7）。
50%待验证Gemini 4 Argon 在 DeepSWE v1.1 基准测试中取得 77.9% 的 SOTA 成绩。
50%待验证Argon在衡量真实长时程软件工程任务的DeepSWE v1.1上刷新到77.9%的最新纪录
50%待验证在DeepSWE v1.1基准测试上，3.8 Flash超越了大多数体量更大的前沿模型
50%