用真实开发任务测了 Step 3.7 Flash 和 DeepSeek V4 Flash 的 Agent 能力，不是跑分，是我日常干的活。

技术选型、截图改 UI、竞品调研三个场景跑下来，结果有点意思。

多模态场景 DeepSeek 直接缺席，纯文本场景各有千秋。选模型别只看跑分，要看谁能跑完整个 Agent loop。