Floatboat 在 2026 年 8 月 7 日公布的結果，不宜直接解讀為「DeepSeek-V4-Flash 天生比 Claude Opus 4.8 更強」。更準確的說法是：這是一場由公司自行公布的消融實驗——模型維持不變，只替換執行 Harness（代理人的工具、環境與工作流程）。Floatboat 表示，這項改動足以讓同一個低成本模型，在五項公開代理人基準測試中超越已公布的 Opus 4.8 對照成績。3

這項實驗真正值得注意的結論更窄，也更實用：對需要長時間運作的 AI 代理人而言，模型外部的執行系統，對最終任務成功率的影響可能不亞於模型本身。當然，這仍只是具啟發性的觀察，因為目前尚未有獨立團隊重現該實驗。

Floatboat 到底改了什麼？

Floatboat 表示，測試使用官方 DeepSeek-V4-Flash-0731 版本，並維持相同輸入與參數；差別在於，測試分別使用 DeepSeek 的官方極簡 Harness，以及 Floatboat 自家的評測 Harness。後者搭配隔離的實體沙盒，讓代理人可以存取工作區與檔案、反覆使用工具、保留狀態，並檢查結果、修正錯誤後繼續執行。3

這個差異相當重要。代理人並不是只要一次產生漂亮答案就算完成任務；它必須在環境中反覆採取行動、觀察結果、更新計畫，還要避免破壞已經完成的工作。

換句話說，Harness 更接近一個「工作現場」：模型負責思考與決策，但環境決定它能否看見檔案、使用工具、保存記憶，以及在出錯後重新來過。

五項測試的報告成績

在 Floatboat 的 Harness 中，DeepSeek-V4-Flash 報告得分如下：

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

Floatboat 表示，這五項成績都高於已公布的 Claude Opus 4.8 對照結果。3

不過，「五項全勝」這個標題必須附帶前提。公開基準測試的比較，可能混合不同的 Harness、提示詞、工具配置、取樣設定與評測流程。Floatboat 實驗中較具參考價值的部分，是「同一模型只更換 Harness」這個控制變因，而不是把不同系統直接放到同一張排行榜上比較。即便如此，這仍然是公司自報結果，不能等同於已獲業界確認的結論。

成本差距很大，但只是 token 層面的差距

Floatboat 引用的 DeepSeek 價格為：每百萬輸入 token 0.14 美元、每百萬輸出 token 0.28 美元。若以 3:1 的輸入／輸出比例計算，混合價格為：

(3 × 0.14 美元 + 0.28 美元) ÷ 4 = 每百萬 token 0.175 美元

Floatboat 使用的 Claude Opus 4.8 價格則是每百萬輸入 token 5 美元、每百萬輸出 token 25 美元。同樣以 3:1 比例計算：

(3 × 5 美元 + 25 美元) ÷ 4 = 每百萬 token 10 美元

因此，以混合 API token 價格計算，Opus 4.8 約為 DeepSeek 的 57.1 倍。3

但這不代表完成同一項任務時，Opus 的總成本必然高出 57.1 倍。上述算式沒有計入工具費用、運算資源、快取、上下文長度、重試次數、工程開發，以及維持 Harness 運作的成本。這是模型 token 價格比較，不是完整的總持有成本分析。

為什麼任務越長，Harness 的優勢越明顯？

Floatboat 報告稱，將五項基準按照任務從短到長排列後，相對提升依序為 1.9%、9.6%、12.6%、19.9% 與 23.6%。公司將這組數字描述為非遞減趨勢：在邊界較清楚的短任務中，Harness 的影響較小；當任務需要更多相互依賴的步驟時，執行環境的重要性便上升。3

長流程代理人即使每一步的局部決策看似合理，最後仍可能因系統問題而失敗。它通常需要：

• 找到並修改正確的檔案；
• 多次呼叫工具，並理解工具回傳的結果；
• 保存計畫、工作狀態與中間產物；
• 測試修改內容並診斷錯誤；
• 從錯誤操作中恢復；以及
• 在編輯造成後續問題前，復原或回滾變更。

如果執行迴圈設計不佳，再好的推理也可能變成遺失上下文、工具呼叫失效、過早停止，甚至無法挽回的檔案修改。更強的模型確實能改善局部判斷，但它無法完全補救一個不保存狀態、不提供有效回饋，也沒有安全復原機制的環境。

因此，這項結果的意義不只在於比較兩個模型。它把問題從「哪個模型最聰明？」轉向「哪一套模型加執行環境，最能可靠完成任務？」

HLR：衡量換 Harness 是否比升級模型更划算

Floatboat 提出了 Harness Leverage Ratio（HLR，Harness 槓桿率），用來比較更換 Harness 與升級模型各自帶來的效益：

HLR = 只更換 Harness 所帶來的分數提升
      ─────────────────────────────
      升級至較強參考系統所帶來的分數提升

HLR 高於 1，代表在指定的基準測試與比較條件下，更換 Harness 帶來的分數增幅，大於升級到較強參考系統所測得的增幅。這個指標不是業界標準，其數值會受到基線、參考模型、基準版本與評測控制方式影響。24

以 DeepSWE 為例，Floatboat 報告稱，DeepSeek-V4-Flash 在 DeepSeek Harness 中的得分為 54.4，換到 Floatboat Harness 後升至 67.25，增加 12.85 分。引用的 Opus 4.8 成績為 58.0，相較 DeepSeek 基線只高 3.6 分，因此計算出的 HLR 約為 3.57。3

Floatboat 另稱，五項測試的 HLR 由最短任務的 0.78 上升至最長任務的 3.57。如果日後獲得獨立重現，這種模式將支持一項推論：當任務需要更多狀態、工具呼叫與錯誤復原時，改善執行環境的價值可能會不成比例地增加。

但 HLR 不應被視為放諸四海皆準的定律。只要更換參考系統、基準版本或評測設定，比例就可能改變。

這項結果符合 Floatboat 的產品路線

公開資料將 Floatboat 定位為面向個人經營者的 AI 原生工作環境，整合檔案、瀏覽、AI 互動、日程、通訊，以及可重複使用的技能或工作流程。1 公司在 2026 年 5 月的全球發布公告中，則主打由日曆驅動、能主動執行工作的代理人流程，並表示獲得 Sequoia 與 Welight Capital 支持。18

這種產品思路把執行環境視為核心層，而不是包在語言模型外面的薄薄一層介面。代理人需要跨應用程式維持上下文，在正確時間採取行動，遵守權限限制，並在不要求使用者每一步手動重建流程的情況下持續推進工作。

日常 AI 代理人的競爭，可能轉向「執行底座」

如果這項基準結果經得起獨立測試，日常代理人的競爭優勢可能逐漸轉向執行底座：安全的狀態管理、可觀測性、結果驗證、錯誤復原、權限控管與使用者控制，而不只是誰能取得最新、最強的模型。

這也可能帶來更彈性的模型策略。低成本模型可以在可靠且有良好腳手架的執行環境中處理例行工作；高價模型則保留給真正需要深度推理或判斷力的任務。最理想的產品，未必是單獨最便宜的模型，也未必是單獨最強的模型，而是能在不同工作中使用最合適模型的完整系統。

不過，關鍵限制仍然存在：目前支撐 8 月 7 日實驗的最重要證據，是 Floatboat 自己發布的技術簡報；公司也承認，跨模型的公開比較採用了不同的 Harness 與評測配置。在 prompts、預算、工具、重試次數與資料版本等條件獲得更嚴格控制之前，並且有獨立團隊重跑與公開評測產物之前，「五項全勝」仍應被視為一項值得關注、但尚未定案的工程主張。3

Floatboat 在 2026 年 8 月 7 日公布的結果，不宜直接解讀為「DeepSeek-V4-Flash 天生比 Claude Opus 4.8 更強」。更準確的說法是：這是一場由公司自行公布的消融實驗——模型維持不變，只替換執行 Harness（代理人的工具、環境與工作流程）。Floatboat 表示，這項改動足以讓同一個低成本模型，在五項公開代理人基準測試中超越已公布的 Opus 4.8 對照成績。3

這項實驗真正值得注意的結論更窄，也更實用：對需要長時間運作的 AI 代理人而言，模型外部的執行系統，對最終任務成功率的影響可能不亞於模型本身。當然，這仍只是具啟發性的觀察，因為目前尚未有獨立團隊重現該實驗。

Floatboat 到底改了什麼？

Floatboat 表示，測試使用官方 DeepSeek-V4-Flash-0731 版本，並維持相同輸入與參數；差別在於，測試分別使用 DeepSeek 的官方極簡 Harness，以及 Floatboat 自家的評測 Harness。後者搭配隔離的實體沙盒，讓代理人可以存取工作區與檔案、反覆使用工具、保留狀態，並檢查結果、修正錯誤後繼續執行。3

這個差異相當重要。代理人並不是只要一次產生漂亮答案就算完成任務；它必須在環境中反覆採取行動、觀察結果、更新計畫，還要避免破壞已經完成的工作。

換句話說，Harness 更接近一個「工作現場」：模型負責思考與決策，但環境決定它能否看見檔案、使用工具、保存記憶，以及在出錯後重新來過。

五項測試的報告成績

在 Floatboat 的 Harness 中，DeepSeek-V4-Flash 報告得分如下：

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

Floatboat 表示，這五項成績都高於已公布的 Claude Opus 4.8 對照結果。3

不過，「五項全勝」這個標題必須附帶前提。公開基準測試的比較，可能混合不同的 Harness、提示詞、工具配置、取樣設定與評測流程。Floatboat 實驗中較具參考價值的部分，是「同一模型只更換 Harness」這個控制變因，而不是把不同系統直接放到同一張排行榜上比較。即便如此，這仍然是公司自報結果，不能等同於已獲業界確認的結論。

成本差距很大，但只是 token 層面的差距

Floatboat 引用的 DeepSeek 價格為：每百萬輸入 token 0.14 美元、每百萬輸出 token 0.28 美元。若以 3:1 的輸入／輸出比例計算，混合價格為：

(3 × 0.14 美元 + 0.28 美元) ÷ 4 = 每百萬 token 0.175 美元

Floatboat 使用的 Claude Opus 4.8 價格則是每百萬輸入 token 5 美元、每百萬輸出 token 25 美元。同樣以 3:1 比例計算：

(3 × 5 美元 + 25 美元) ÷ 4 = 每百萬 token 10 美元

因此，以混合 API token 價格計算，Opus 4.8 約為 DeepSeek 的 57.1 倍。3

但這不代表完成同一項任務時，Opus 的總成本必然高出 57.1 倍。上述算式沒有計入工具費用、運算資源、快取、上下文長度、重試次數、工程開發，以及維持 Harness 運作的成本。這是模型 token 價格比較，不是完整的總持有成本分析。

為什麼任務越長，Harness 的優勢越明顯？

Floatboat 報告稱，將五項基準按照任務從短到長排列後，相對提升依序為 1.9%、9.6%、12.6%、19.9% 與 23.6%。公司將這組數字描述為非遞減趨勢：在邊界較清楚的短任務中，Harness 的影響較小；當任務需要更多相互依賴的步驟時，執行環境的重要性便上升。3

長流程代理人即使每一步的局部決策看似合理，最後仍可能因系統問題而失敗。它通常需要：

• 找到並修改正確的檔案；
• 多次呼叫工具，並理解工具回傳的結果；
• 保存計畫、工作狀態與中間產物；
• 測試修改內容並診斷錯誤；
• 從錯誤操作中恢復；以及
• 在編輯造成後續問題前，復原或回滾變更。

如果執行迴圈設計不佳，再好的推理也可能變成遺失上下文、工具呼叫失效、過早停止，甚至無法挽回的檔案修改。更強的模型確實能改善局部判斷，但它無法完全補救一個不保存狀態、不提供有效回饋，也沒有安全復原機制的環境。

因此，這項結果的意義不只在於比較兩個模型。它把問題從「哪個模型最聰明？」轉向「哪一套模型加執行環境，最能可靠完成任務？」

HLR：衡量換 Harness 是否比升級模型更划算

Floatboat 提出了 Harness Leverage Ratio（HLR，Harness 槓桿率），用來比較更換 Harness 與升級模型各自帶來的效益：

HLR = 只更換 Harness 所帶來的分數提升
      ─────────────────────────────
      升級至較強參考系統所帶來的分數提升

HLR 高於 1，代表在指定的基準測試與比較條件下，更換 Harness 帶來的分數增幅，大於升級到較強參考系統所測得的增幅。這個指標不是業界標準，其數值會受到基線、參考模型、基準版本與評測控制方式影響。24

以 DeepSWE 為例，Floatboat 報告稱，DeepSeek-V4-Flash 在 DeepSeek Harness 中的得分為 54.4，換到 Floatboat Harness 後升至 67.25，增加 12.85 分。引用的 Opus 4.8 成績為 58.0，相較 DeepSeek 基線只高 3.6 分，因此計算出的 HLR 約為 3.57。3

Floatboat 另稱，五項測試的 HLR 由最短任務的 0.78 上升至最長任務的 3.57。如果日後獲得獨立重現，這種模式將支持一項推論：當任務需要更多狀態、工具呼叫與錯誤復原時，改善執行環境的價值可能會不成比例地增加。

但 HLR 不應被視為放諸四海皆準的定律。只要更換參考系統、基準版本或評測設定，比例就可能改變。

這項結果符合 Floatboat 的產品路線

公開資料將 Floatboat 定位為面向個人經營者的 AI 原生工作環境，整合檔案、瀏覽、AI 互動、日程、通訊，以及可重複使用的技能或工作流程。1 公司在 2026 年 5 月的全球發布公告中，則主打由日曆驅動、能主動執行工作的代理人流程，並表示獲得 Sequoia 與 Welight Capital 支持。18

這種產品思路把執行環境視為核心層，而不是包在語言模型外面的薄薄一層介面。代理人需要跨應用程式維持上下文，在正確時間採取行動，遵守權限限制，並在不要求使用者每一步手動重建流程的情況下持續推進工作。

日常 AI 代理人的競爭，可能轉向「執行底座」

如果這項基準結果經得起獨立測試，日常代理人的競爭優勢可能逐漸轉向執行底座：安全的狀態管理、可觀測性、結果驗證、錯誤復原、權限控管與使用者控制，而不只是誰能取得最新、最強的模型。

這也可能帶來更彈性的模型策略。低成本模型可以在可靠且有良好腳手架的執行環境中處理例行工作；高價模型則保留給真正需要深度推理或判斷力的任務。最理想的產品，未必是單獨最便宜的模型，也未必是單獨最強的模型，而是能在不同工作中使用最合適模型的完整系統。

不過，關鍵限制仍然存在：目前支撐 8 月 7 日實驗的最重要證據，是 Floatboat 自己發布的技術簡報；公司也承認，跨模型的公開比較採用了不同的 Harness 與評測配置。在 prompts、預算、工具、重試次數與資料版本等條件獲得更嚴格控制之前，並且有獨立團隊重跑與公開評測產物之前，「五項全勝」仍應被視為一項值得關注、但尚未定案的工程主張。3