DSBench 是一个用于评测 AI 智能体在数据科学及真实任务场景中综合能力的基准测试，近年来逐渐成为衡量大模型 Agent 实战水平的参考之一。与 Terminal Bench 等偏重终端操作的基准不同，DSBench 更关注模型在数据分析、建模、报表生成等贴近实际工作的任务中的表现，因此在 Agent 能力讨论中常被一并提及。
DSBench 所处的 Agent 评测生态
近期 Agent 基准测试的热度明显上升，模型厂商也开始把这类榜单成绩作为版本迭代的重要展示窗口。2025 年 7 月底，DeepSeek 发布 V4-Flash 正式版 API 并开启公测，官方测评显示其 Agent 能力大幅提升，其中 Terminal Bench 2.1 得分达到 82.7，且整体 Agent 基准成绩超过了更大的 V4-Pro 预览版。这说明小尺寸模型在经过针对性优化后，也能在以 DSBench 为代表的实战型评测中与大模型一较高下。
当前焦点与观察点
目前围绕 DSBench 及同类基准的讨论主要集中在三点：一是基准成绩与真实生产环境表现之间的差距，榜单高分是否能等价于可靠的 Agent 产品力仍有争议；二是模型尺寸与能力的关系正在被改写，V4-Flash 以更小的体积在 Agent 任务上反超 V4-Pro 预览版，引发了对“性价比路线”的关注；三是评测工具链本身也在演化，如代码智能体 Harness 的开放，让评测环境更接近真实开发流程。
对关注 DSBench 的开发者而言，值得持续观察的是各厂商是否会公开更细粒度的分项成绩，以及学界是否能建立跨基准的统一评价标准，以减少“刷榜”带来的信息噪音。