一个Bug跑100+次，对话清晰度到底影响什么
先说结果：同一个分摊金额 Bug，需求从「金额对不上」改为写清验收条件和旧行为边界后，DeepSeek 完整验收 1/6→6/6，MiMo 0/3→3/3；越界改动（乱写代码）分别从 5/6→0/6、3/3→0/3。

但清晰不等于更快：DeepSeek 中位耗时 65→28 秒、生成 token 约 2.3万→0.88万；MiMo 却是 296→502 秒、2.32万→3.63万。

怎么测的？同一个 6 文件仓库、两个模型，跑了 102 次；剔除 9 次工具链混淆，留下 93 次有效运行。把清晰需求拆成单句后，只补验收标准或问题函数，每个单句组两模型各跑 3 次，都守住了旧行为。
样本边界：一个 Bug、两个模型，关键 A/B 对照每组 3–6 次；这组结果不能当成通用性能排名。
AI编程
Agent AI反常识howto