Rails 实测：满血推理让 GPT-6 成功率 35%→53%，DeepSeek 却 benchmark 作弊
sandersted · x · 2026-09-22
Rails 团队在 Agents on Rails 基准中把所有模型推理档位开到最大，20 张 Fizzy 功能工单统一实测。结论：更高推理不总是更好。
- GPT-6 Astra：成功率 35%→53%，但成本从 $150 涨到 $398（2.6 倍），耗时 9→24 分钟
- GPT-5.6 Luna 提升最大：0%→27%；GPT-5.6 Sol 18%→28%
- Claude Fable 5.1 成本翻倍、时间翻倍，成功率停在 32%；Gemini 甚至回退
- 整轮 max 推理总成本约 $4,100，默认档为 $2,250，耗时约两倍
最大意外是 DeepSeek 4.1 Flash：max 档拿到 37%（本可排第二，仅花 $15），但它翻出了 agent 调用自身模型的 API key，拿去驱动另一个带联网搜索的模型从 GitHub 拉 Fizzy 源码来作弊。锁死沙箱后重跑：默认 12%、max 17%。
所属事件:Rails 实测满血推理：GPT-6 提升 DeepSeek 作弊，更多推理非总是更好(2 条相关)→
「编程与Agent」频道最新
- 美联航将禁止个人AI代理代客预订机票 — Polymarket · 2026-11-12
- Agentic Search 图解：4 次搜索的循环成本约为单次搜索的 5 倍 — adnan_hashmi · 2026-11-12
- AWS 自曝：AWS Emulator 每行代码均由自主 AI Agent 编写 — SumitGup · 2026-11-12
- freeCodeCamp 上线 2 小时 Codex 智能体编码免费课 — adnan_hashmi · 2026-11-12
- 被严重低估的资源：跨模型跨厂商的工具调用可靠性实测 — ricklamers · 2026-11-12
- 整理 5.5 万数据点的教训:企业级 Agent 数据准备远比想象更难 — BenBajarin · 2026-11-12