DeepSeek V4 Flash 测评

短的结论：不畏浮云遮望眼

基本情况：

对于 300b 尺寸的模型来说，上限究竟在哪里，不同团队都给出了自己的答案。最早交卷的 MiniMax 认为 300b 只能满足日常轻度需求，而混元则认为 300b 足以承担大部分不复杂的工程任务，OpenAI 则把小尺寸的 Luna 交给 AI 去自迭代训练，当做试验田，但结果尚不尽人意。但 DeepSeek 认为这都不是极限，300b 可以去到前人未至之境，既能进行高智力推理，也能满足复杂开发。

推理来看，新 Flash 极限打平自家 1.6T Pro preview，稳定性反超。不过代价是Token 消耗也增长 50%，这是后训练的代价。Agentic 编程能力上完全超过 Pro preview，基本来到高可用区间的下限。

逻辑成绩：

表格的排序切换为按中位分数降序。

*1 表格为了突出对比关系，仅展示部分可对照模型，不是完整排序。

*2 题目及测试方式，参见：大语言模型-逻辑能力横评 26-07 月榜

*3 完整榜单更新在 https://llm2014.github.io/llm_benchmark/

*4 红字模型代表工作在推理模式下(慢思考)，黑色模型则是对应的非推理模式(快思考)

编程 Agent：

*1 测试方式参见：大模型编程应用测试-V3榜单

• 编程：Flash 的编程能力有较大的差异性，同时体现在语言的差异和 Harness 差异上。Flash 同许多国产模型一样，在训练语料和训练方法更成熟的前端领域效果显著，最终成品可以和参数大近 3 倍的 GLM-5.2 互有胜负。但在 Rust、swift 这类非热门领域，效果则断崖下跌，Flash 大体上知道需要做什么，但对细节的掌握程度还是不如前端高。而 Pro/Flash preview 版本则连需要做什么，如何推进都不太清楚。
• Harness 差异主要在 Claude Code 与 Codex 的默认设置和工具链不同。其中 Claude Code 默认的单次输出长度限制了 Flash 的发挥。Flash 和先前preview 一样，喜欢在动手前想清楚，在复杂项目的规划阶段，Flash 一次思考有可能达到 50K Token。而 Codex 则是因为自身迭代频繁，Flash 对其中的工具使用效率偏低，同样任务可能会多 30~40% 步数。不过从最终效果来看，两种 Harness 差异不大。而即将发布的自家 Harness 能同时解决默认配置和工具熟悉问题，至少不会在这方面拖后腿。
• 尽管 Flash 依然没有视觉能力，但其前端审美能力也显著高于前代 preview。之前 preview 直出 UI 处于 Demo 级别，无法投入生产环境。而正式版的 UI 精度，配色，尺寸，交互细节等基本达到准生产级。甚至会主动增加转场效果，icon 动效这类小巧思，这在部分更高阶的模型中也很罕见。不过也需要强调，Flash 的 UI 能力仍弱于第一梯队头部模型，尤其是 web 端以外的 UI 构建场景。涉及到建模、动画场景，则 Flash 劣势凸显，显露出训练不充分的状态，而这是大尺寸前沿模型的优势方向。
• Flash 的自测和验证手段丰富多样，除了传统的测试用例，Flash 还会将截图转为 ASCII 字符图来间接理解画面状态。也会编写自动化序列操作来模拟复现一个复杂的动画场景，再通过读取逐帧的状态数值来判断动画是否有问题。这类手段大都行之有效，例如在 F 项目 Godot 场景里，Flash 依靠自测发现并修复了几乎所有功能 Bug，剩余问题主要是交互和性能。
• 推理能力：与 Pro preview 相比，Flash 并不能做到完胜。Flash 主要强在受编程和写作训练而泛化出来的诸多元能力，比如指令遵循和文字处理等。比如在 7 月新题中有对文字处理要求极高的题目，Pro preview 与多数国模类似，得分极低。而 Flash 则跃升到国模第一，与 GPT-5.6 Luna 相当。约束求解类型，Flash 与 Pro preview 互有胜败，极限相当。
• 幻觉：上下文幻觉也得到有效抑制，Flash 在处理超长文本时，细节注意力强过 Pro preview，处于第一梯队水平，但不算顶尖。在编程方面，注意到 Flash 在上下文超过约 400K 才开始出现丢失原始指令要求的情况，高于先前 Pro/Flash preview。
• 任务效率：虽然 Flash 的单轮平均 Token 高于 Pro preview 约24%，但分布并不均匀。其中指令遵循类，Flash 的效率更高，Token 可低至 Pro 的 50%。部分简单编程任务，Flash 的原始直觉也更好，用量略低。除此之外的任务场景 Flash 都高于 Pro。而且Flash 在复杂Agentic 任务上迭代轮次更多，也导致相同任务下，Flash 消耗的 Cache Read 显著高于 Pro 2.7~5 倍。这部分差异按 API 计价，使得 Flash 成本仅比 Pro preview 略低约 30%。而如果第三方 API 做不到 DeepSeek 原厂的 Cache 效率和成本，会导致 Flash 失去成本优势。

赛博史官曰：

对于自己能掌控迭代节奏的团队而言，什么时候发布不是问题，有没有做到理想状态才是问题。DeepSeek 想要成为所有大模型公司中执牛耳者，那自然就不能跟在别人后面，拾人牙慧，亦步亦趋。北美的前沿实验室在无人区开拓了 3 年，他们没有老师，唯有相信自己。而 DeepSeek 也是这一理念的践行者，在他们眼中，没有对手，只有终末之地。