匿名模型Ox Alpha（牛来）此前在OpenRouter上线四天冲至全球第二，但独立开发者WesRoth公布的DeepSWE完整测试显示其准确率约63%，远低于此前10题子集测试的80%。

小样本跑分很容易制造性能神话，只有经过完整测试集的验证才能得到真实性能结果，这也说明当前AI评测体系仍需建立更严格、更全面的标准，避免被碎片化测试结果误导。