同一套 105 个 bug：Sonnet 5.5 靠『不偷懒』拿到最高分
Paweł Huryn 称 Sonnet 5.5（max）在同一测试中得 55.5 分，高于 GPT-6 Astra 45、GPT-5.6 Sol 43.5、Fable 5.1 43、Opus 5.5 41.7；他认为原因是它花更多轮次认真排查：大约是 Astra 的 6 倍、Opus 5.5 的 3 倍，多找出 10 到 14 个 bug。
Paweł Huryn@pawelhuryn原帖
为什么值得留
测评 agent 时，把『用了多少轮』与『找到多少』一起看。
可以从这里开始
统计你自己的 agent 完成任务用了几轮，是否存在过早停止。
阅读时留意
同一作者的单次测试，样本很小；更多轮次意味着更多成本，节选没有给出 Sonnet 的花费。
OnBalls 导读整理于 2026.10.22。只读存档的帖文全文及可见引用；未打开链接内容，帖中数字和说法未独立核实。