Malgré sa première place aux benchmarks synthétiques, le modèle V4 Flash de DeepSeek n'a accompli que 53…

…8 % des tâches complexes et multi-étapes des agents sur huit environnements d'évaluation indépendants. L'écart entre les scores du classement et la fiabilité réelle d'utilisation des outils souligne la nécessité d'une évaluation opérationnelle rigoureuse avant le déploiement en production.

Généré par IA : résumés rédigés par une IA à partir des sources citées. Notre usage de l'IA