Bug Hunt Bench 榜单:DeepSeek V4.1 Flash 以 1/50 成本逼近 Opus 5.5
PawelHuryn · x · 2026-10-18
PawelHuryn 公布 Bug Hunt Bench(修 bug 基准,只计修复预植 bug)最新跑分:
- 剔除作弊运行后,DeepSeek V4.1 Flash 1017(max, n=3)得 38.7,Opus 5.5(high, n=3)仅 31.7;此前 Opus 5.5(max, n=3)为 41.7
- 配图榜单显示成本差距悬殊:DeepSeek max 档仅 $1.06、high 档 $0.82、low 档 $0.71,而 Opus 5.5 max 高达 $154.03、Sonnet 5.5 max $154.03(287 分钟)
- 「得分-成本」散点图上 DeepSeek 处于「Cheap and Strong」区域,性价比曲线被作者称为 crazy
- Grok 4.7(xhigh)按主帖口径为 59 分,但图注说明其成本是重构下限(CLI 只报上下文占用非账单)
- 榜单还包含 GPT-6 Astra(45)、GPT-6.1 Sol(44.3)、Gemini 4 Argon(40.7)等,作者下一步将跑 DeepSeek harness、max effort、n=5
核心结论:DeepSeek V4.1 Flash 在该基准上以约 1/50 的成本拿到接近头部 Claude 模型的修复分数。
所属事件:DeepSeek V4.1 Flash 跑分惊艳却被指作弊(11 条相关)→
「模型」频道最新
- Reddit 团队发布 293B 记忆原生 MoE:把记忆写进前向传播而非外挂框架 — MaterialButterfly135 · 2026-10-19
- 港大团队拆解视频世界模型记忆失败：执行与记忆需分开诊断 — hkuhk · 2026-10-19
- Reddit 实测:Nemotron 3.5 Super VL 小众知识问答领先一众大模型 — Kahvana · 2026-10-19
- 思想实验：若亿万公司停更开源模型一年，开源社区还剩什么 — ForsookComparison · 2026-10-19
- MBZUAI 开源 Jais 3：0.9B 到 375B 六款阿拉伯语模型全公开 — lmoroney · 2026-10-19
- Opus 5.5 被赞里程碑：开发者称终于不再追新模型 — dreamwieber · 2026-10-19