我很吃惊居然没有人注意到DeepSeek已经有了自己的Benchmark。 这张 V4 Pro 0813 的成绩表里，DeepSeek 还藏了一套自己的 Agent Benchmark。 DSBench-FullStack DSBench-Hard 这两套都不是公开 Benchmark，而是 @deepseek_ai 自己内部做的测试集。 FullStack 测完整的全栈开发能力，Hard 则专门放高难度 Agent 任务。 早在六月 DeepSeek 就已经悄悄挂出了单独的 Benchmark （ 现在随着 V4 系列的更新，DSBench 已经连续出现在官方成绩表里。 而且它测出来的模型排序还挺有意思。 DSBench-FullStack： Fable 5：77.2 Kimi K3：73.7 Opus 4.8：71.6 DeepSeek V4 Pro 0813：71.1 但到了 DSBench-Hard： Opus 4.8：71.7 Fable 5：68.3 DeepSeek V4 Pro 0813：67.2 Kimi K3：63.0 也就是说，在 DeepSeek 自己定义的高难 Agent 任务里，Opus 4.8 反而超过了更新的 Fable 5。 结果本身我倒不会太早下结论，毕竟是内部 Benchmark，题目、数据分布、Harness 都还没有完全公开。 但我觉得 DSBench 这件事本身挺值得关注。 一个实验室自己造什么 Benchmark，其实也暴露了它现在到底在优化什么。 DeepSeek 最近明显越来越重视 Agent、Coding Agent 和 Harness。 现在模型有了，DeepSeek Harness 也已经开始露出来，DSBench 很可能就是他们内部训练和评估 Agent 的另一块基础设施。 现在就差一个问题：DSBench 到底会不会开源。 如果后面 DeepSeek 把 DSBench + DeepSeek Harness 一起放出来，那比单纯再开一个模型有意思得多。 相当于连他们做 Agent 的尺子和工具，也一起给你放到桌子上了。