斯坦福实验实锤: 魔改后的DS V4 Flash干翻Fable 5

同样的模型，同样的任务，让它执行五遍，再让他自己挑一遍最稳的，效果能有多大提升？

Terminal-Bench 2.1是平时我们在大模型评测里面经常见到的一个数据，它测的是一个AI Agent在真实的沙盒环境里，能不能完成真实终端任务。

DeepSeek V4 Flash单次尝试的原始成绩是78.7%，这个成绩本身已经不错，但还没有超过Fable 5的83.8% ±1.2%。

这里就引出一个词：test-time scaling，中文可以理解成“做题时扩展能力”。

你可能会问，这个机制这么好用，能不能给Fable 5也加上？

最后想说一句，机制再好，关键还是需要人去用。你不动手，AI再强也跟你没关系，不管是对个人开发者还是对企业来说都是这样。