Together AI：DeepSWE 基准显示 DeepSeek 级联方案单任务成本降 37%

AI 基础设施厂商 Together AI 在社交平台 X 上发文，公布其基于代码任务基准 DeepSWE 的最新对比结果。测试对象为 DeepSeek V4 Flash 与 GPT-5.6 Luna 两个模型，并尝试了一种「DeepSeek 优先」的级联（cascade）调用方案：在初步阶段由 DeepSeek V4 Flash 处理，必要时再调用 GPT-5.6 Luna，并通过测试套件验证（test-suite verification）确认结果。

核心结论

Together AI 给出的关键数据如下：

在 DeepSWE 基准上，DeepSeek 优先级联 + 测试套件验证的方案，最终成功完成的任务数量高于单独使用 GPT-5.6 Luna。
单任务成本方面，级联方案相比 Luna 单独运行降低约 37%。

Together AI 强调，这一结果支持其一直倡导的级联推理路线：通过廉价模型先行筛选、复杂模型兜底验证，可在保持解题质量的同时显著压缩推理开销。

需要注意的局限

目前 Together AI 仅以一条社交媒体推文的形式披露结论，原文未公开以下关键信息：

DeepSWE 基准的题目数量、具体子集与通过率定义。
级联方案中两个模型的调用阈值与切换条件。
单任务成本的计算口径（是否含测试套件验证开销、API 价格取值等）。

此外，文中提到的「DeepSeek V4 Flash」与「GPT-5.6 Luna」并非目前公开确认的模型名称，疑为 Together AI 平台上的内部代号或预览版本，读者在引用时应留意版本来源与命名含义。

行业背景

级联推理（model cascading）是 2024 年以来推理成本优化的常见做法之一：在多模型系统中用小模型/便宜模型先做意图识别或初答，置信度不足时再升级到大模型。Together AI、Anyscale、OpenAI 等厂商均提供过类似方案。本次数据若口径可核实，对于关注代码生成 Agent 部署成本的开者与企业具有参考价值；否则仅作为厂商自测案例看待即可。