Devstral 2 人工对战胜率
Mistral 委托第三方的人工对战胜率评测
基本信息
30 秒看懂
Mistral 委托独立标注方做的人工对战胜率：真实任务经 Cline 脚手架下盲评，Devstral 2 对 DeepSeek V3.2 胜 42.8%/负 28.6%，但对 Claude Sonnet 4.5 仍明显落后——50% 为平手线，分数只在被比较的两方之间有意义。
采用格局：厂商内部/未公开——Devstral 2 / Vibe CLI 发布页披露，独立标注方执行
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2025
2025-12-09
Mistral AI·国际
本发布含 2 个变体，各变体规格见模型详情。
Mistral 将 Devstral 2 定位为面向智能体编码的下一代开源 SOTA 编码模型（modified MIT 协议），并随发布配套推出 Mistral Vibe CLI。已收录评测为软件工程与人评胜率两项，SWE-bench Verified 72.2%、人评 42.8% 胜 / 28.6% 负。
开源权重智能体编码稠密架构CLI 配套
查看模型变体与证据
Devstral 2 · Devstral 2 人工对战胜率 42.8% win / 28.6% loss
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。