DeepSeek V4 Flash 自评筛选准确率升至 88% 超越 Claude Fable 5

8 月 18 日，Stanford 团队用 DeepSeek V4 Flash 采样 5 个答案并让同一模型自评打分，在 Terminal-Bench 2.1 上准确率从 79% 提升至 88%，超越 Claude Fable 5，且成本仅为对方 1/11。该方法验证了 test-time scaling 的潜力，相关框架已开源，可复现。(深潮 TechFlow)