DeepSeek V4 Flash靠「自验证」技术，88%成功率反超Fable 5，单任务成本仅0.11美元，不足后者十分之一。
核心内容：
1. 自验证实现：采样5条候选轨迹，自身模型生成验证
2. 实验结果：成功率88%超Fable 5，成本0.11美元（Fable 5为1.3美元）
3. 技术来源：斯坦福等团队提出的LLM-as-a-Verifier框架

一个连自己都会答错的大模型，开始自己给自己挑答案了。

DeepSeek V4 Flash 在 Terminal-Bench 2.1 上对每个任务采样 5 条候选轨迹，自验证后的系统成功率达到 88%，超过 Claude Fable 5。

〓 LLM-as-a-Verifier 框架概览

实验中，每个任务预先由 DeepSeek V4 Flash 生成 5 条 mini-swe-agent 执行轨迹。Best-of-3 使用其中前 3 条，Best-of-5 使用全部 5 条。

DeepSeek V4 Flash 同时负责给候选轨迹打分，LLM-as-a-Verifier 据此完成排序和选择，整个过程不需要再训练一个专门的验证模型。

效果并不只是小幅涨点。Best-of-3 将成功率从 79.4% 提到 86.5%，Best-of-5 则把 78.7% 直接推到 88.0%。

放到 Terminal-Bench 2.1 的成本—性能图里，差距更加直观。