Stanford这帮人可能找到了今年最狠的Claude、ChatGPT平替路线，我直接把手里所有闭源模型订阅全停了，这可能是今年开源AI最狠的一次逆袭。。

Stanford的人用DeepSeek V4 Flash，
同一个任务生成5个答案，
再让同一个模型自己当裁判打分，
挑最高分的那个交卷。

Terminal-Bench 2.1，
79%直接干到88%，
超过了Claude最新的Fable 5，
成本只有对方的十一分之一。

全网都在喊开源吊打闭源，
但90%的人没看懂真正的信号。

生成端早就卷到头了。
真正拉开差距的是验证。

以前大家拼模型参数，
拼训练数据，
拼基准测试高0.5。
现在发现，
同一个便宜模型多跑几次，
再自己挑出最好的，
就能干翻贵11倍的旗舰。

这就是test-time scaling的真正玩法。
模型不用做大，
推理时多花一点算力，
用生成加验证换效果。

验证本身还能继续缩放，
更细的评分标准，
多验证几轮，
把评价维度拆得更碎。

框架已经开源，
任何人都能拿DeepSeek V4 Flash直接复现。

模型是引擎，
验证才是刹车和方向盘。
引擎够猛就行，
没有刹车和方向盘谁也不敢开快。

我觉得接下来所有agent框架都会默认加上自验证这一层吧 hhh