FrontierCS 2 排名洗牌：Claude Opus 5.5 居首，DeepSeek 1017 被指退化

teortaxesTex · x · 2026-10-29

FrontierCS 2 是一个旨在评估模型「做 CS 研究、达到甚至超越人类专家水平」等未充分探索能力的新基准（含 harness 能力）。网友对比其在榜 15 个模型与 Terminal-Bench 4.0 的排名：Claude Opus 5.5 在 FrontierCS 2 以 FCI 54.4 居首，但在 Terminal-Bench 仅列第二（59.6%）；Kimi K3.1 Pro 是 Terminal-Bench 榜首（67.2%）却滑至 FCI 第 7。

评论指出 FrontierCS 2 同样对规模敏感（scale-sensitive，被视为好事），但 DeepSeek V4.1 Flash 1017 在两个榜上均表现退化，被认为是一个不好的信号。