Manual audit of AgentDojo v0.1.22 tool inventories
译文待补。
动态
过去 48 小时首次进入本站的一手内容。
SWE-bench Pro 151 · DeepSeek Harness vs OpenCode 最终评测报告
四个 preset 成绩收敛在 109-114（72-76%），差距（2-5 题）小于同配置重跑的自然波动。jspace（109）与 minimal（109）持平，认知套件层零增益。jspace 输出 token 比其他 preset 高 60%（28.8k vs 17-18k）而输入最低。
Replace report with v3.6.1 engineering observations record
页面范围：本页记录外部项目已经公开的工程观察、J-Space 使用的操作性术语、项目级 Benchmark 分数及其适用边界。它不是研究论文，非学术性质，不提供模型内部机制证明、形式化判定方法、消融设计或因果贡献分解。当前分数是项目记录，不足以建立跨模型普遍性，也不支持精确的因果贡献分解。
Add DeepSeek V4 × J-Space capability realization report
J-Space 是一个插件，已通过 benchmark 验证了它对于 Deepseek 的提升巨大，flash基本持平 GLM5.3，pro超越Fable 5。数据说明：V4-Flash-0731 / V4-Pro-0813 + J-Space 为套件现有单次实测结果。评测协议：DeepSeek Harness Minimal，reasoning_effor
Publish DeepSeek V4 Pro harness comparison results
本文只解释本项目内观察到的工程维护表现，不把单项目分数外推为通用模型排名。DSH minimal + max 两跑为 99/96；同一 WSL/max 环境中，minimal 为 99/96，standard 为 91，PTC 为 92。
Implement the agent loop plugin
译文待补。