DeepSWE 结果不可靠——同一模型解决了全部 3/3 个“失败”任务

对 DeepSWE 基准测试的审计发现，deepseek-v4-pro 的报告结果（8% 解决率，平均成本 4.22 美元）存在多个问题：成本因忽略缓存定价膨胀约 5 倍，所有三个失败任务均被同一模型成功解决，OpenRouter 隐私设置默认阻止 DeepSeek 导致 404 错误，且模型未像竞品一样进行推理努力调优。