Floatboat 在 2026 年 8 月 7 日发布的结果，不宜简单解读为“DeepSeek-V4-Flash 的内在能力超过了 Claude Opus 4.8”。更准确的说法是：这是一项由厂商报告的消融实验——模型本身保持不变，只替换了执行 Harness（运行 Agent 的工具、环境和反馈循环）。Floatboat 称，仅凭这一变化，同一个低成本模型就在五项公开 Agent 基准测试中超过了 Claude Opus 4.8 的公开对比成绩。3

这项实验真正提出的，更是一个范围较窄、但对 Agent 产品很重要的问题：在需要持续行动的任务中，模型之外的运行系统，可能与模型本身同样关键，甚至在某些场景下更关键。需要强调的是，这一结论目前仍是有启发性的工程观察，而不是已经定论的行业事实，因为实验尚未获得独立复现。

Floatboat 到底改了什么？

Floatboat 表示，它使用的是官方发布的 DeepSeek-V4-Flash-0731，并保持输入和参数不变，然后将 DeepSeek 的官方极简 Harness 与自家的评测 Harness 进行对比。后者提供了隔离的物理沙箱，以及更持久的执行循环：包括工作区和文件访问、工具、保留状态，以及查看结果、纠正错误和继续执行的机会。3

这一区别很关键。Agent 并不是只生成一次答案就算完成任务。它需要不断对环境采取行动，观察行动结果，更新计划，并避免破坏已经完成的工作。

换句话说，模型负责“想什么、怎么做”，而 Harness 决定了它能否稳定地“做下去”。

五项基准测试的报告成绩

在 Floatboat 的 Harness 中，DeepSeek-V4-Flash 的报告成绩如下：

• BrowseComp：87.80
• DeepSWE：67.25
• Terminal Bench 2.1：84.26
• AutomationBench：27.50
• Toolathlon：79.62

Floatboat 称，这五项成绩都超过了公开的 Claude Opus 4.8 对比结果。3

不过，“五项全胜”这个标题仍然需要加上限定条件。公开基准的横向比较，可能使用了不同的 Harness、提示词、工具配置、采样设置和评测流程。相比之下，Floatboat 实验中更有价值的受控部分，是在同一个模型不变的前提下更换 Harness；但这依旧是公司自行报告的结果，不能等同于独立机构的统一测试。

价格差距很大，但只是 Token 价格差距

Floatboat 报告的 DeepSeek 价格为：输入每百万 Token 0.14 美元，输出每百万 Token 0.28 美元。按照 3:1 的输入输出比例计算，混合价格为：

(3 × 0.14 + 0.28) ÷ 4 = 0.175 美元/百万 Token

Floatboat 采用的 Claude Opus 4.8 价格为：输入每百万 Token 5 美元，输出每百万 Token 25 美元。同样按照 3:1 比例计算：

(3 × 5 + 25) ÷ 4 = 10 美元/百万 Token

因此，按这种混合 API Token 价格口径，Opus 4.8 约为 DeepSeek 的 57.1 倍。3

但这并不意味着完成同一项任务的总成本也一定相差 57.1 倍。上述计算没有计入工具调用费用、计算资源、缓存、上下文长度、重试次数、工程维护，以及运行 Harness 本身的成本。它只是模型 Token 价格比较，不是完整的总拥有成本分析。

任务越长，Harness 的作用为何越明显？

Floatboat 报告称，按五项基准从短任务到长任务排列，相对收益依次为 1.9%、9.6%、12.6%、19.9% 和 23.6%。这一序列呈非递减趋势：任务越受限、步骤越少，Harness 的影响越小；任务越长、依赖步骤越多，运行环境的影响越大。3

长链路 Agent 即使每一步看起来都做得合理，也可能在整体任务上失败。它通常需要：

• 找到并编辑正确的文件；
• 多次调用工具并理解返回结果；
• 保存计划、状态和中间产物；
• 测试修改结果并诊断错误；
• 从错误操作中恢复；
• 在编辑造成损害前回滚改动。

如果执行循环设计得很弱，模型原本正确的推理也可能因为上下文丢失、工具调用无效、过早结束，或无法恢复的文件修改而失效。更强的模型可以改善局部决策，但无法弥补一个不能保存状态、不能提供有效反馈、也没有安全恢复机制的环境。

因此，这项结果的关注点不应只是“哪个模型更聪明”，而应转向另一个更适合实际产品的问题：哪个模型与运行时组合，能够可靠地把任务做完？

HLR：衡量换 Harness 是否比升级模型更划算

Floatboat 提出了 Harness Leverage Ratio（HLR，Harness 杠杆率），用来比较更换 Harness 与升级模型分别带来的收益：

HLR = 仅更换 Harness 带来的分数提升
      ÷
      升级到更强参考系统带来的分数提升

当 HLR 大于 1 时，意味着在选定的基准和比较口径下，仅更换 Harness 带来的成绩增幅，大于升级到更强参考系统带来的增幅。HLR 目前不是行业标准，其数值会受到基线系统、参考模型、基准版本和评测控制方式的影响。24

以 DeepSWE 为例，Floatboat 报告称，DeepSeek-V4-Flash 在 DeepSeek 官方 Harness 中的成绩为 54.4，换到 Floatboat Harness 后升至 67.25，提升 12.85 分。公开的 Opus 4.8 成绩为 58.0，比 DeepSeek 基线高 3.6 分，由此得到约 3.57 的 HLR。3

Floatboat 还报告称，HLR 从最短任务的 0.78 升至最长任务的 3.57。如果未来能够复现，这种趋势将支持一个判断：当任务需要更多状态管理、工具调用和错误恢复时，改进运行时的价值可能会快速上升。

但 HLR 不能被视为普遍规律。更换参考系统，或改变提示词、预算、工具、重试策略、采样设置和数据版本，都可能改变最终比例。

这与 Floatboat 的产品路线有什么关系？

这组结果与 Floatboat 的产品定位是一致的。公开资料将其描述为面向个人运营者的 Agent 原生工作环境，整合文件、浏览器、AI 交互、日程、通信和可复用的技能或工作流。1 2026 年 5 月的一则发布公告则称，该公司的方向是让 Agent 根据日历主动执行工作流，并披露 Sequoia 和 Welight Capital 为其支持方。18

这种产品思路并不把运行时当成语言模型外面的一层薄薄封装，而是将其视为核心基础设施。Agent 需要跨应用维持上下文，在正确的时间采取行动，遵守权限边界，并在用户不必每一步手动重建背景的情况下持续推进任务。

日常 Agent 的竞争重点可能正在转移

如果 Floatboat 的结果经受住独立测试，日常 Agent 的竞争优势可能会更多转向执行底座，包括安全的状态管理、可观测性、结果验证、错误恢复、权限控制和用户自主权。

这也可能带来更灵活的模型组合策略：低成本模型负责可靠运行时中的常规、结构化工作；只有在确实需要深度推理或判断力时，才调用更昂贵的高级模型。最终最有竞争力的产品，可能既不是单纯最便宜的模型，也不是孤立能力最强的模型，而是能在不同任务中把不同模型用在合适位置的系统。

不过，核心疑问仍然存在。关于这次 8 月 7 日实验，最重要的证据来自 Floatboat 自己发布的技术简报；公司也承认，跨模型的公开比较使用了不同的 Harness 和评测配置。要让“五项全胜”成为被广泛接受的行业结果，还需要独立重跑、公开评测产物，并严格控制提示词、Token 预算、工具、重试机制和数据版本。3

Floatboat 在 2026 年 8 月 7 日发布的结果，不宜简单解读为“DeepSeek-V4-Flash 的内在能力超过了 Claude Opus 4.8”。更准确的说法是：这是一项由厂商报告的消融实验——模型本身保持不变，只替换了执行 Harness（运行 Agent 的工具、环境和反馈循环）。Floatboat 称，仅凭这一变化，同一个低成本模型就在五项公开 Agent 基准测试中超过了 Claude Opus 4.8 的公开对比成绩。3

这项实验真正提出的，更是一个范围较窄、但对 Agent 产品很重要的问题：在需要持续行动的任务中，模型之外的运行系统，可能与模型本身同样关键，甚至在某些场景下更关键。需要强调的是，这一结论目前仍是有启发性的工程观察，而不是已经定论的行业事实，因为实验尚未获得独立复现。

Floatboat 到底改了什么？

Floatboat 表示，它使用的是官方发布的 DeepSeek-V4-Flash-0731，并保持输入和参数不变，然后将 DeepSeek 的官方极简 Harness 与自家的评测 Harness 进行对比。后者提供了隔离的物理沙箱，以及更持久的执行循环：包括工作区和文件访问、工具、保留状态，以及查看结果、纠正错误和继续执行的机会。3

这一区别很关键。Agent 并不是只生成一次答案就算完成任务。它需要不断对环境采取行动，观察行动结果，更新计划，并避免破坏已经完成的工作。

换句话说，模型负责“想什么、怎么做”，而 Harness 决定了它能否稳定地“做下去”。

五项基准测试的报告成绩

在 Floatboat 的 Harness 中，DeepSeek-V4-Flash 的报告成绩如下：

• BrowseComp：87.80
• DeepSWE：67.25
• Terminal Bench 2.1：84.26
• AutomationBench：27.50
• Toolathlon：79.62

Floatboat 称，这五项成绩都超过了公开的 Claude Opus 4.8 对比结果。3

不过，“五项全胜”这个标题仍然需要加上限定条件。公开基准的横向比较，可能使用了不同的 Harness、提示词、工具配置、采样设置和评测流程。相比之下，Floatboat 实验中更有价值的受控部分，是在同一个模型不变的前提下更换 Harness；但这依旧是公司自行报告的结果，不能等同于独立机构的统一测试。

价格差距很大，但只是 Token 价格差距

Floatboat 报告的 DeepSeek 价格为：输入每百万 Token 0.14 美元，输出每百万 Token 0.28 美元。按照 3:1 的输入输出比例计算，混合价格为：

(3 × 0.14 + 0.28) ÷ 4 = 0.175 美元/百万 Token

Floatboat 采用的 Claude Opus 4.8 价格为：输入每百万 Token 5 美元，输出每百万 Token 25 美元。同样按照 3:1 比例计算：

(3 × 5 + 25) ÷ 4 = 10 美元/百万 Token

因此，按这种混合 API Token 价格口径，Opus 4.8 约为 DeepSeek 的 57.1 倍。3

但这并不意味着完成同一项任务的总成本也一定相差 57.1 倍。上述计算没有计入工具调用费用、计算资源、缓存、上下文长度、重试次数、工程维护，以及运行 Harness 本身的成本。它只是模型 Token 价格比较，不是完整的总拥有成本分析。

任务越长，Harness 的作用为何越明显？

Floatboat 报告称，按五项基准从短任务到长任务排列，相对收益依次为 1.9%、9.6%、12.6%、19.9% 和 23.6%。这一序列呈非递减趋势：任务越受限、步骤越少，Harness 的影响越小；任务越长、依赖步骤越多，运行环境的影响越大。3

长链路 Agent 即使每一步看起来都做得合理，也可能在整体任务上失败。它通常需要：

• 找到并编辑正确的文件；
• 多次调用工具并理解返回结果；
• 保存计划、状态和中间产物；
• 测试修改结果并诊断错误；
• 从错误操作中恢复；
• 在编辑造成损害前回滚改动。

如果执行循环设计得很弱，模型原本正确的推理也可能因为上下文丢失、工具调用无效、过早结束，或无法恢复的文件修改而失效。更强的模型可以改善局部决策，但无法弥补一个不能保存状态、不能提供有效反馈、也没有安全恢复机制的环境。

因此，这项结果的关注点不应只是“哪个模型更聪明”，而应转向另一个更适合实际产品的问题：哪个模型与运行时组合，能够可靠地把任务做完？

HLR：衡量换 Harness 是否比升级模型更划算

Floatboat 提出了 Harness Leverage Ratio（HLR，Harness 杠杆率），用来比较更换 Harness 与升级模型分别带来的收益：

HLR = 仅更换 Harness 带来的分数提升
      ÷
      升级到更强参考系统带来的分数提升

当 HLR 大于 1 时，意味着在选定的基准和比较口径下，仅更换 Harness 带来的成绩增幅，大于升级到更强参考系统带来的增幅。HLR 目前不是行业标准，其数值会受到基线系统、参考模型、基准版本和评测控制方式的影响。24

以 DeepSWE 为例，Floatboat 报告称，DeepSeek-V4-Flash 在 DeepSeek 官方 Harness 中的成绩为 54.4，换到 Floatboat Harness 后升至 67.25，提升 12.85 分。公开的 Opus 4.8 成绩为 58.0，比 DeepSeek 基线高 3.6 分，由此得到约 3.57 的 HLR。3

Floatboat 还报告称，HLR 从最短任务的 0.78 升至最长任务的 3.57。如果未来能够复现，这种趋势将支持一个判断：当任务需要更多状态管理、工具调用和错误恢复时，改进运行时的价值可能会快速上升。

但 HLR 不能被视为普遍规律。更换参考系统，或改变提示词、预算、工具、重试策略、采样设置和数据版本，都可能改变最终比例。

这与 Floatboat 的产品路线有什么关系？

这组结果与 Floatboat 的产品定位是一致的。公开资料将其描述为面向个人运营者的 Agent 原生工作环境，整合文件、浏览器、AI 交互、日程、通信和可复用的技能或工作流。1 2026 年 5 月的一则发布公告则称，该公司的方向是让 Agent 根据日历主动执行工作流，并披露 Sequoia 和 Welight Capital 为其支持方。18

这种产品思路并不把运行时当成语言模型外面的一层薄薄封装，而是将其视为核心基础设施。Agent 需要跨应用维持上下文，在正确的时间采取行动，遵守权限边界，并在用户不必每一步手动重建背景的情况下持续推进任务。

日常 Agent 的竞争重点可能正在转移

如果 Floatboat 的结果经受住独立测试，日常 Agent 的竞争优势可能会更多转向执行底座，包括安全的状态管理、可观测性、结果验证、错误恢复、权限控制和用户自主权。

这也可能带来更灵活的模型组合策略：低成本模型负责可靠运行时中的常规、结构化工作；只有在确实需要深度推理或判断力时，才调用更昂贵的高级模型。最终最有竞争力的产品，可能既不是单纯最便宜的模型，也不是孤立能力最强的模型，而是能在不同任务中把不同模型用在合适位置的系统。

不过，核心疑问仍然存在。关于这次 8 月 7 日实验，最重要的证据来自 Floatboat 自己发布的技术简报；公司也承认，跨模型的公开比较使用了不同的 Harness 和评测配置。要让“五项全胜”成为被广泛接受的行业结果，还需要独立重跑、公开评测产物，并严格控制提示词、Token 预算、工具、重试机制和数据版本。3