斯坦福开源框架助 DeepSeek V4 Flash 反超 Claude

斯坦福团队为 DeepSeek V4 Flash 推出开源验证框架，通过先生成 5 套方案再以同一模型作为 LLM-as-a-Judge 排序筛选最优解的自验证机制，将其在 Terminal-Bench 2.1 上的准确率从 79% 进一步提升，成功反超 Claude，而成本仅为后者的约 1/11，展示了推理时采样与自评策略的性价比。

2026-08-20 ~ 2026-08-21 · 2 条相关