同一个模型差 20 分：DeepSeek 的 harness 依赖性和合成数据的隐藏天花板

DeepSeek V4 Flash 在自家极简测试环境里能拿 82.7 分，换到第三方脚手架直接掉到 46.7% 通过率，同一个模型差了 20 个百分点。Stanford 和 UC Berkeley 等团队 8 月 12 日的论文解释了原因：用单个大模型当用户模拟器训练 Agent，模型会专门钻模拟器回应模式的空子，策略多样性从 1.9 nats 暴跌...

推荐理由：我会先打个折，这篇不是模型发布或产品上线，是评测方法论和合成数据陷阱的扒皮文，所以重要性压在 78 不过 85。但三个轴都踩实了：20 分的落差够猎奇，官方脚注到第三方复现的证据链够硬，agent 开发者看完会想立刻检查自己的评测管线，转发和讨论动力强。正文没披露 DeepSeek 对这篇论文的官方回应，这点先别太激动。