发布于 2026年8月22日#AI Evals大力出不了奇迹：在 DeepSWE 上，更多推理只留下了噪声般的扰动一则多模型、四次重复的研究笔记：在 DeepSWE v1.1 的 High 以上区间，实测资源投入继续增长，但 12 组分差中有 11 组无法与有限重复产生的随机波动可靠区分。