同一模型不同运行时效果差异大

相同的 DeepSeek V4 Flash，不同的 runtime，结果却迥然不同。

我本地的样本是有限的：Codex + Flash 完成了一个长期、跨文件、反复验证的卡片组任务；Claude Code + Flash 启动了多个审查，但其质量没有被独立验证。这说明不同的配对方式各有所长，而不是存在通用排名。

有用的单位不是一个模型 ID。而是一个完整的 runtime：model × protocol × tools × context × recovery × acceptance。

结果改变的四个层级

Protocol 是一个轨迹接口。它定义了目标、工具结果、中间状态和续接如何被表示。一个兼容层可以成功连接，但仍然会失去长视野的可供性。

Tools 是合约，不是按钮。Schemas、参数、返回格式和失败信号定义了行为空间。相同的"read"或"edit"标签在不同的 runtime 中可以表现不同。

Context 和 recovery 使本地智能具有持久性。一个长任务需要保留约束、保留失败证据、检测漂移、返回到稳定点并重新规划。

Acceptance 定义了完成。Agent 的"完成"是一个自我报告。交付意味着文件状态、测试、预览、权限和外部事实与原始目标一致。

DeepSeek 的公开更新提及其 Harness minimal mode for code-agent benchmarks，说 V4 Flash 是为 Codex 适配的，并记录了 Responses API 支持。公开的 Code Harness 招聘语言强化了战略方向。这些是产品信号，而非通用优越性的证明。

一个可测试的工程假设

Effective Agent = Model potential × Harness realization rate

realization rate 可以分解为 protocol matching、tool-contract reliability、context/recovery quality 和 acceptance evidence。更可信的比较会固定后端模型 ID、任务、代码状态、客户端版本、effort、权限和验收标准；重复任务；然后记录工具错误、返工、人工干预和回滚。

如果这些条件无法固定，将结果称为 runtime observation——而不是模型排行榜。

模型可能设定了上限。Runtime 决定了有多少上限能到达实际工作。

你现在使用的 Agent 中最薄弱的层是什么？

声明：本文由 AI 协助撰写，由作者审阅。

如需进一步行动，你可以考虑屏蔽此人和/或举报滥用。