模型没换换个壳，DeepSeek 解决率从 57% 跳到 69%同一款 DeepSeek，同一批任务，只把外面那层壳换了一版，解决率从 57.0% 涨到 69.4%。
模型一个字没改。
账单也跟着掉：每个任务从 3.35 美元降到 0.45 美元。
一、12.4 个点，不是模型挣来的这条数据出自 X 上的一条实测转述，原作者给出的判断是「开源模型别用旧壳」。
数字很干。OpenCode 从 1.19 升到 2.2.6 之后，DeepSeek-V4.1-Flash 的解决率从 57.0% 到 69.4%，GLM-5.3-Flash 从 43.3% 到 65.7%。
每任务成本从 3.35 美元降到 0.45 美元，原因只有五个字——旧版丢推理链。
两个不同厂商的模型，同一个方向，几乎同样的幅度往上跳。
这就不像哪一家的特调了。同一台发动机，换了个变速箱，百公里加速快了 12%。
「壳」这个词听着虚，拆开很具体：它决定模型能看到多少上下文、任务怎么被拆成几步、每一步之间怎么交接、调工具失败之后要不要重试、重试时带不带上一轮的报错。
模型只会做一件事——根据你给的那串文字往下接。
你给它一段被截断的推理、一个没说清的目标、一份过期的文件，它就照着你给的错误信息往下算，算得再准也没用。
旧壳丢的不是模型的能力，是模型干活时需要的那口气。
这里说的「解决率」，也不是聊天时那种顺不顺嘴的感觉。它考的是给一个真实代码仓库、一个真实报错，模型能不能自己定位、改对、还不把别处改坏。
这种活，靠一次输出做不到，必须拆成读文件、找位置、改、跑测试、看报错、再改。
链条上任何一环断了，最后就是 0 分。

二、它其实会，只是第一次没走完第二个证据来自一条更朴素的测试。
Kevin Theo 用 4 张 Spark 在自己机器上跑 34 道 Python 练习题。
DeepSeek V4.1 Flash 第一次只对了 22 道，重试之后到了 31 道。
同一台机器上，Opus 5.5 一次 34 道全对。
值得盯的不是 22 和 34 的差距，是 22 到 31 这 9 道。
同一款模型、同一台机器、同一批题，中间只多了一次重试，就多对了 9 道，接近三分之一的题量。
说白了，它不是不会，是第一次没把链子走完。会重试、肯带着报错重来的壳，等于白送 9 道题的正确率。

第三个证据更硬，也更能说明代价。
Google 的 Android Bench 2.0 上，Claude Sonnet 5.5 拿到 40%，一次完整跑下来 1575 美元。
GPT 6.1 Sol 是 29%，99 美元。
DeepSeek V4.1 Flash 17%，成本不到 10 美元。
单看分数，DeepSeek 排最后，差第一名 23 个点。
但把账算成「每 1 美元买到多少解决率」：Sonnet 是 0.025 个点，DeepSeek 是 1.7 个点，差 68 倍。
这不是说 DeepSeek 更强，是说在 17% 这一档能力上，它便宜得离谱。剩下的 23 个点，得靠壳、靠拆任务、靠重试去补——补不补得回来，是另一件事。
这也解释了为什么同一款模型，在不同人嘴里评价能差到天上。
一个人把它塞进半旧的插件里，跑三道题错两道，骂它不行；另一个人用新版框架、给了重试、给了报错回灌，跑十道对七道，说它够用。
两个人说的都是真话，测的却不是同一个东西。
三、先换壳，再换模型做技术选型最容易犯的错，是把顺序搞反。
多数团队的第一反应是换模型：这个不行换那个，国产不行换国外的，小参数不行换大的。换模型最贵——要重新评估、重新调提示、重新过合规、重新算账。
壳是免费的。
同一道你上周刚做过、答案已知的题，旧壳跑一次，新壳跑一次，只盯两件事：它有没有把推理走完，失败之后会不会自己重来。
这两件事都过了，再谈换模型；过不了，换十个模型也是白换。

具体到操作，我一般分三步。
第一步，把失败的那几条日志全文留着，别只记「没做出来」。
第二步，看它断在哪：是没读到关键文件，是工具调用格式错了，还是改完不跑测试直接收工。
第三步，只补这一环。缺上下文的补检索，不重试的加重试，界面难用的换框架。
三步走完，多半会发现模型根本没到该换的时候。
我自己今天下午就是这么核的：先把这条数据的原始出处翻出来，确认 57.0 和 69.4 是同一批任务的前后对照，不是两套题；再确认 GLM 那条是同方向；最后去看另外两条独立测试。三条都对得上，才敢写。
这也是我现在的习惯：看到「换个壳涨 12 个点」这种话，先找对照组，再找第二个作者，最后才看结论。
不是不信，是这类数字太容易被讲成一个漂亮的巧合。
你上一次觉得「这模型不行」，是模型的锅，还是壳的锅？
#探寻人工智能，从技术到真实世界#