Malgré des performances de premier plan sur les benchmarks synthétiques, le modèle V4 Flash de DeepSeek n'a réalisé que 53,8 % des...

Brief source

Malgré des performances de premier plan sur les benchmarks synthétiques, le modèle V4 Flash de DeepSeek n'a réalisé que 53,8 % des tâches d'agents complexes et multi-étapes sur huit harnais indépendants. L'écart entre les scores de classement et la fiabilité réelle de l'utilisation des outils souligne la nécessité d'une évaluation opérationnelle rigoureuse avant le déploiement en production.