Bug Hunt Bench 实测：多轮运行显著提升小模型查虫率

Pawel Huryn 用自有订阅在 Bug Hunt Bench 上对前沿编码模型做盲评实测，基准包含 105 个真实植入 bug，采用单一 prompt，并公开排行榜与成本对比。关键发现显示多轮运行显著提升小模型的查虫率，而强模型仅提升 1-2 分。随后 Huryn 回应追问，澄清 Muse Spark 1.3 的成本按标准 API 计价（非贡献者价），并给出该模型的计价筛选链接。

2026-09-15 ~ 2026-09-15 · 2 条相关