پنج مدل Qwen3.8-27B با Fable 5 با استفاده از مهار GVS5H مطابقت دارند

Opus 5 بر روی نسخه قبلی داربست اجرا می شد، در یک گذر از OpenRouter به جای پنج در یک backend پین شده.

چکیده عملکرد کدگذاری مرزی معمولا با مدل های اختصاصی بزرگتر با هزینه بالا خریداری می شود. ما خودسازمان‌دهی صفر شات مبتنی بر دفتر کل را معرفی می‌کنیم، روشی بدون آموزش که در آن نمونه‌های جدید یک مدل مشکلات را تجزیه می‌کنند و از طریق یک سیستم فایل مشترک که دارای یک طرح، یادداشت‌ها و راه‌حل فعلی است، هماهنگ می‌شوند. در میان یازده مدل با وزن باز و بسته در 100 آخرین مشکل سخت LiveCodeBench، این روش تا 25.6 درصد در قسمت‌های پشتی پین شده سود می‌آورد و دو مسیر برای دقت در سطح مرزی ارائه می‌دهد.

Qwen3.8 Flash Next به 93.0% pass@1 در برابر 90.4% Fable 5 با 9% هزینه می رسد و Qwen3.8-27B با وزن باز که به صورت محلی سرو می شود از 66.8% به 92.4% افزایش می یابد. سود جهانی نیست: برخی از مدل ها بدون تغییر یا بدتر هستند. تجزیه و تحلیل رونوشت، سود را به تجزیه و زمینه پایدار نسبت می دهد. سازمان زمان استنتاج می‌تواند با کسری از هزینه به دقت کدگذاری مرزی نزدیک شود یا در وزن‌های خود میزبان کمی از آن فراتر رود.

برای مدلی که می‌خواهید آزمایش کنید به uv و یک کلید API نیاز دارد.

کد تحت مجوز MIT است. کاغذ، شکل ها و داده های اجرا شده تحت CC BY 4.0 قرار دارند. فورک LiveCodeBench، بیانیه‌های مشکل معیار و فایل‌های قالب LaTeX مجوزهای خود را حفظ می‌کنند. NOTICE.md را ببینید که کدام مجوز کدام مسیر را پوشش می دهد.