一个默认设置让 DeepSeek 掉 16-21 分:agent 评测的隐藏坑

TheZachMueller · x · 2026-11-13

Joel Niklaus 在对比十个编码 agent 时发现:OpenClaw 在模型配置未设输出上限时会默认采用 8,192 token 的回复上限,仅这一项就让 DeepSeek-V4.1-Flash 在 DeepSWE 基准上损失 16-21 分。

具体机制:

他的 Harness Leaderboard v0.1.6 已改为透传各模型自身的限制。他建议所有 agent 评测者:记录每次回复为何结束——这些异常运行完全没有抛出错误,极易被当成真实能力缺陷。

原文链接 →

「编程与Agent」频道最新

更多「编程与Agent」频道 AI 资讯 →