Deepseek 新模型的优势与差距

DeepSeek V4.1-Flash-1017呈现了一种 “全面开花，但尖峰略钝” 的特质：在自动化、项目构建等多项能力上表现强势，甚至超越部分美国顶尖模型，但在最考验长上下文稳定性与深度多步推理的复杂任务上，确实存在差距。

数据印证：优势在哪，差距又在哪

从官方基准测试看，差距主要集中在需要持续、稳定处理长链条信息的项目上：

· 落后项：在 HLE（无工具）（42.6 vs 56.3）、Terminal-Bench 4.0（42.3 vs 51.8）、ProgramBench（29.1 vs 37.0）和 NL2Repo-Bench（68.2 vs 75.3）中，均明显落后于 Claude Opus 5。
· 领先项：在 Automation-Bench（60.5 vs 50.3）和 Apex Bench v1.1（72.1 vs 65.8）等偏重自动化流程与综合评估的项目上，DeepSeek 反而领先。

这种“偏科”表现，根源在于一项底层技术架构的取舍。

核心原因：一项“省钱”技术带来的副作用

字节跳动Seed团队的研究揭示，问题根源在于DeepSeek为降低长文本处理成本而采用的 “分块KV缓存压缩” 技术。它像把长文章切成固定大小的“块”来快速翻阅，虽然大幅节省了内存，却引入了一个不稳定的新变量——“相位敏感性”。

· 什么是相位敏感性：同样一条关键信息，落在“块”的不同位置（相位）时，模型读取的难易程度会剧烈波动，甚至出现周期性性能漂移。
· 影响有多大：在128K长上下文测试中，DeepSeek-V4早期版本在不同位置的检索准确率最大差距一度高达40个百分点。这意味着，模型能否找到答案，不仅取决于问题本身，还“碰运气”看关键信息恰好落在了哪个“相位”上。
· 改进与残留：虽然V4.1-Flash版本已将这种差距收窄至6.1个百分点，但周期性弱点并未被完全消除。在需要从海量信息中精确、稳定提取线索的复杂推理中，这种微小的不稳定性会被逐步放大，最终影响结果。

相比之下，美国顶尖模型在设计上更优先保障长程任务的绝对可靠性。例如，Claude Opus 4.6 被公认在多步骤逻辑和长上下文推理上最为可靠，其百万级上下文窗口能稳定保持对复杂代码库的全局记忆。GPT-5系列则通过“原生思考机制”，在输出前进行后台自我博弈与路径检索，来增强复杂科学和编程问题的推理深度。

DeepSeek V4.1-Flash-1017 在复杂任务上的这点“逊色”，本质上是 “极致性价比”路线下的一种工程权衡。它用一项存在轻微稳定性的压缩技术，换取了成本和效率的巨大优势，从而在大量任务中实现了“越级打怪”。但在那些对稳定性、长程逻辑连贯性零容忍的顶尖复杂场景里，美国模型凭借更保守、更侧重绝对可靠性的架构设计，依然守住了最后的护城河。