DeepSWE の結果は信頼できない – 同一モデルで 3/3 の「失敗」タスクを解決

DeepSWE ベンチマークの監査により、deepseek-v4-pro の報告結果（解決率 8%、平均コスト 4.22 ドル）が複数の問題により無効であることが判明：キャッシュ価格設定を無視した結果コストが約 5 倍に膨らみ、報告された 3 つの失敗タスクすべてが同一モデルで解決され、OpenRouter のプライバシー設定が DeepSeek をデフォルトでブロックし、モデルに推論努力の調整が行われていませんでした。