DeepSeek V4 Pro在官方测试中得分87.9，但第三方仅得54.68，差距33分。原因在于官方使用Harness极简模式，该模式是模型训练时的原生环境，能激活其最强能力。切换模式后分数下降，但通过首轮锚定极简工具可恢复高分。这暴露了Agent能力评测对测试框架的依赖，引发对评测标准的反思。