同套 bug 测试：DeepSeek V4.1 Flash 1017 得 34 分
Paweł Huryn 的 105 个 bug 测试初步结果：Muse Wonder Full 1.0 为 42，Opus 5.5 为 41.7，Gemini 4 Argon（high）40.7，DeepSeek V4.1 Flash 1017 为 34，前一版 21.7，GLM-5.3 为 19；他说该模型 763B 参数、权重已在 Hugging Face，复测约有 1.7 分波动。
Paweł Huryn@pawelhuryn原帖
为什么值得留
把新旧版本放在同一套任务上比较提升，比单看发布宣传可靠。
可以从这里开始
等他的复测结果，或用同类任务测试自己的场景。
阅读时留意
初步结果，单次运行；作者的测试集和评分不公开；参数规模等是作者所述。
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。