DeepSeek V3.2 · 媒体来源 · 编辑分析
SWE-bench 官方 leaderboard 的 mini-SWE-agent 条目显示 DeepSeek V3.2 high 为 70.00% resolved、$0.45/题，V3.2 Reasoner 为 60.00%、$0.03/题，证明 Agent harness/版本与推理配置会显著改变结果。
待验证：本次未能重新核实原文。下方历史数字不代表已核实的当前结果。
SWE-bench 官方 leaderboard 的 mini-SWE-agent 条目显示 DeepSeek V3.2 high 为 70.00% resolved、$0.45/题，V3.2 Reasoner 为 60.00%、$0.03/题，证明 Agent harness/版本与推理配置会显著改变结果。
任务集：真实 GitHub issue；原始 benchmark 覆盖 12 个 Python 仓库，扩展页说明多语言任务覆盖 42 个仓库/9 种语言。
Agent：mini-SWE-agent；不同条目使用不同 release。
指标：% Resolved、平均成本、模型、日期、release。
团队核验：页面标注部分条目由 SWE-bench 团队直接运行或核查。
DeepSeek V3.2 high：mini-SWE-agent 2.0.0，日期 2026-02-17，70.00%，$0.45/题。
DeepSeek V3.2 Reasoner：mini-SWE-agent 1.17.1，日期 2025-12-01，60.00%，$0.03/题。
同一表中，DeepSeek V3.2 high 排名 14，70.00%；与同 harness 的 Claude 4.5 Sonnet high 71.40%、Kimi K2.5 high 70.80%、GPT 5.2 high 72.80% 可作相对参照。V3.2 Reasoner 的 60.00% 来自更早 release/harness，不应直接和 2.0.0 行当作纯模型差异。
DeepSeek V3.2 在真实 issue 修复 Agent 中是强开放模型基线；部署时应优先复现 high + 当前 harness 的质量/成本，再单独评估低成本 Reasoner 配置。
Leaderboard 的“DeepSeek V3.2 high”不等同于所有 API alias 或自托管 checkpoint；Chat/Thinking/tool protocol 可能不同。
两行日期和 mini-SWE-agent 版本不同，不能把 70 vs 60 解释为单纯 reasoning effort。
页面没有逐题 prompt、失败轨迹、token 分布和置信区间；平均成本不等于你的 provider 账单。
resolved 仅衡量 issue 修复，不覆盖研究、对话或长上下文问答。
固定 SWE-bench split、任务版本、mini-SWE-agent release、模型 checkpoint、thinking/tool 配置和超时。
对 V3.2 high 与 Reasoner 分开跑，保存 patch、测试日志、reasoning_content、调用轨迹、token 和成本。
使用同 harness 跑一个闭源/开放参照模型，报告 resolved、timeout、error 和平均成本。
把 leaderboard 行作为可复核基线，标明你的 provider/harness 是否一致。
本文中的数字、任务集、推理档位和客户端条件只在所列来源及采集时点内成立。不同版本、不同 harness 或不同提供商的数据不能直接并排比较；未公开的参数保持未知。
需要复测时，请固定模型版本、提供商或客户端、推理档位、工具、任务集版本、样本数和采集日期，并记录失败、重试与人工修正。完整方法和复现步骤见下方来源笔记。
SWE-bench Leaderboards · SWE-bench 团队 · 原文发布日期 2026-02-17 · 本站编辑日期 2026-09-20
打开原始来源DeepSeek V3.2
下载 Tabbit 客户端后检查模型可用性
