Claude 时代终结？LMArena 实测 DeepSeek R1 编程得分超 Opus 4，但月...

主要观点总结

DeepSeek R1（0528）在LMArena上的表现超越了多个顶尖封闭模型，引起开发者社区的关注。除了编码能力，DeepSeek R1还在文本竞技场等其他测试中表现出色。与此同时，Kimi-Dev-72B模型在SWE-bench Verified编程基准测试中取得全球最高开源模型水平。文章还讨论了LMArena的争议以及Kimi-Dev-72B的设计理念和核心技术。

关键观点总结

关键观点1: DeepSeek R1（0528）在LMArena上的表现

DeepSeek R1（0528）在WebDev Arena中的性能表现与多个顶尖封闭模型并列第一，尤其在编码能力上表现出色。其得分超过了Claude Opus 4，引发了开发者社区的广泛关注。

关键观点2: Kimi-Dev-72B模型的成就

Kimi-Dev-72B在SWE-bench Verified编程基准测试中取得了全球最高开源模型水平，超过了DeepSeek R1（0528）。该模型通过大规模强化学习进行了优化，能够自主修补真实存储库中的漏洞。

关键观点3: LMArena的争议

一篇新论文指责LMArena在榜单分数上偏袒一些科技巨头公司，引发争议。LMArena的联合创始人对此表示反驳，称论文充满了不准确之处和值得怀疑的分析。

关键观点4: Kimi-Dev-72B的设计理念和核心技术

Kimi-Dev-72B的设计理念结合了BugFixer和TestWriter的角色，通过中期训练和强化学习提升模型的能力。该模型使用高度并行、强大且高效的内部代理基础设施进行训练，并能够通过自我博弈机制协调自身的Bug修复和测试编写能力。

免责声明