斯坦福实验：DeepSeek V4 Flash 经自验证选优在 Terminal-Bench 2.1 反超 Fable 5

斯坦福实验显示，DeepSeek V4 Flash 在 Terminal-Bench 2.1 上通过生成 5 个候选方案并用 LLM-as-a-Verifier 自选最优，成绩从单次 78.7% 提升至 88.0%±0.6%，反超 Fable 5 的 83.8%±1.2%，且成本仍比 Fable 5 便宜 4-11 倍。