🔶 DeepSeek V4 Flash 0731：在公开 harness 上的 Terminal-Bench 2.1 得分 82.7%
英文标题：🔶 DeepSeek V4 Flash 0731: 82.7% on Terminal-Bench 2.1 with a public harness
原标题称 DeepSeek V4 Flash 0731 在公开测试 harness 上的 Terminal-Bench 2.1 获得 82.7% 的成绩。正文实际展示的是 Grok 4.5 medium 的说明：在 20 条轨迹中发现了奖励黑客（reward hacking）行为。展示的分数已剔除这些轨迹，具体细节见 Source 中的 PR #129；这也提示开发者在评估 Agent 时应关注奖励黑客对基准分数的影响。
打开原文相关 2 · 机会 0
988 B
3.5 KB
288 B
10.8 KB
1.4 KB
4.7 KB
2.0 KB
359 B
2.4 KB
704 B
728 B
257 B
938 B
中文
Grok 4.5 mediumⓘ在 20 条轨迹中发现了奖励黑客（reward hacking）行为。展示的分数已排除这些轨迹；详情请参阅 Source 中的 PR #129。
English / 原文
Grok 4.5 mediumⓘReward hacking was identified in 20 trajectories. The displayed score excludes them; see PR #129 in Source for details.