最近 Together AI 用 DeepSWE 做了一组对比：113 个真实软件工程任务，每个任务跑 4 次，一共 904 次 rollout。

单次执行，GPT-5.6 Sol 明显更强，pass@1 是 72.7%；DeepSeek V4 Pro 0813 只有 62.8%。

但如果允许重试，结果反过来了：
DeepSeek V4 Pro 的 pass@4 达到 88.5%，超过 Sol 的 85.8%。

原因不是 DeepSeek 每一次都更可靠。
恰恰相反，Sol 更稳定、更快，单次运行中位时间 17 分钟，DeepSeek 要 35 分钟。

真正拉开差距的是价格：DeepSeek 一次 rollout 平均 0.24 美元，Sol 是 8.37 美元，相差约 35 倍。

于是最优解既不是只用 Sol，也不是为了便宜全部换成 DeepSeek。
而是：
先让 DeepSeek 跑，测试通过就交付；测试失败，再升级给 Sol。

这套 cascade 最终解出了 83% 的任务，平均每个任务 3.35 美元。相比单独使用 Sol，成功率从 72.7% 提高到 83%，成本反而从 8.37 美元降到了 3.35 美元。

这组数据当然不能直接外推到所有业务。
DeepSWE 是软件工程任务，低价模型多跑几次也会增加延迟；如果用户正在同步等待，Sol 的速度和稳定性依然值钱。

但它说明了一个很重要的趋势：
企业做 AI，越来越不应该问“到底选哪一个最强模型”，企业应该把重点放在“不同任务该如何路由，失败以后如何重试，什么情况下升级到更强的模型，最终又由什么机制验收结果”。

模型只是原材料。
真正决定企业 AI 成本和效果的，是模型路由、测试验证、失败升级、回退机制，以及整套系统能不能根据任务难度动态分配智能。

企业 AI 的竞争要看谁把一群能力和价格不同的模型，组织成了一支真正能打的球队。

很显然，大家都意识到了这一点。

https://t.co/SPXQtSudM8