
جکی کواک یه گزارش جالب داده و نشون داده که مدل بازمتن DeepSeek V4 Flash با یه تکنیک خودارزیابی تونسته غول بستهای مثل Claude Fable 5 رو توی بنچمارک Terminal-Bench 2.1 جا بذاره
ماجرا از این قراره که با فریمورک LLM-as-a-Verifier، مدل فقط ۵ تا راهحل مختلف تولید میکنه و بعدش خود همون مدل با یه نمرهدهی دقیقتر، خروجیهای خودش رو رتبهبندی و بهترین رو انتخاب میکنه. همین حرکت تر و تمیز دقت…














