大家好 欢迎收看新一期视频
Deepseek刚刚发布了一个很有意思的更新
Deepseek V4 Flash官方API现已开启公测
新版本命名为Deepseek V4 Flash 0731
这可不只是一个小补丁
Deepseek表示他们大幅提升了智能体能力
在该模型上甚至
使其测试分数如今已远超V4 Pro预览版
也就是说
这个小模型现在击败了预览版
极大模型在智能体任务上的版本
这确实挺疯狂的
我也用我自己的Kinbench测试了它
而在我的基准测试中
它做到了
其他任何模型都未曾做到的事
包括Code 3.5
以及Opus稍后我们会细聊
但首先
我们先聊聊这次更新到底是什么
前阵子我介绍过DeepSeek V4 Pro
和V4 Flash的预览版
包括如何通过NVIDIA Link免费使用它们
视频链接已放在下方
我们先快速回顾一下Flash
它是V4系列中较小的模型
该混合专家模型拥有2000
0840亿的总参数量
约130亿激活参数
支持100万Token上下文窗口
它定位为主打快速
与低成本版本
而V4 Pro
是1.6万亿参数旗舰大模型
关于这次0731更新
有一个关键细节
DeepSea明确表示
V4Flash 0731
保持了完全相同的模型架构
和参数规模与预览版完全一致
所以它并没有变大
依然是
那款2840亿参数的Flash
但在此基础上
它似乎进行了高强度的智能体后训练
所有的性能提升都源于训练的优化
而不是增加参数量
他们还明确指出
这次升级仅是用于DeepSeek V4 Flash API
V4 Pro API
以及App端D模型
和网页端目前都保持不变
公告最后提到
DeepSeek V4 Pro的正式版本
很快就会发布
所以这次Flash更新基本只是热身
真正的重头戏还在后头
另外
这次发布中还有一点
我觉得非常明智
官方V4Flash现在原生支持Response API格式
Dipsy还表示他已完全适配Codex
所以他们不仅是发布了一个模型
而不是被动等待工具链的适配
他们直接面向Codex适配框架进行了开发
这意味着你可以将其接入
到Codex风格的工作流中且毫无阻碍
GLM以及国内的其他一些实验室也在做
类似的框架适配
事实证明效果立竿见影
这确实是个明智之举
接下来看看官方的基准测试数据
这次性能提升太惊人了
在Terminal Bench 2.1测试中
新版Flash跑分高达82.7
而此前的预览版仅为61.8
甚至连V4 Pro预览版也只有72.1分
这也让它超越了81分的GLM40520
而且距离85分的OPUS差距并不大
要知道后者的价格可要贵得多
而最夸张的是SWBEC
预览版在这个测试中仅获得了7.3分
而新版本直接飙升到54.4分
实现了从基本无法使用
到足以于46.2分的GLM40520正面竞争的水平
甚至是58分的OPUS
Cybergen也从38.7分
升至76.7分涂了冷验证机
从49.7分升至70.3分
在其内部DSBench测试集上
全战任务得分从37升至68.7
高难度编码智能体任务也
从25.8升至59.6
总的来说
这叫其自身的预览板有了巨大飞跃
且在大多数智能体基准测试中
它已逼近OPUS 4.8
而它作为一款尺寸小得多
且更便宜的模型
不过需要说明的是
Deep-C指出
在公开的编码智能体任务测试中
V4 Flash使用了
其即将推出的Deep-C Harness框架在极简模式下
以最高档位运行
且套采样设为0.95
温度参数设为一可见
测试框架的选择至关重要
测试结果可能不同
数据仅供参考
不过了解本频道的人都知道
我们从不只看官方宣传数据
所以我用自己的基准测试跑了一下
话不多说我们直接切入正题
和往常一样
我用我的TingBench进行了测试
其中涵盖了一些前端
与动画一些FreeJS任务以及SVG测试
一道数学题以及一个长城智能体任务
最后还有一个超难的3D任务
每项测试满分10分
最后我们会通过最终的图表来看看
看看它的表现与其他模型相比如何
第一题是电梯模拟
模型需要构建一个模拟程序
你可以在不同楼层生成乘客
共有三部电梯
其每部只能在一人
没赶上的人需要搭乘下一班电梯
还需要有提示框显示每个人的目标楼层
当鼠标悬停在他们身上时
我们发送提示词看看效果
这个表现只能算一半
得了五分基本框架是有了
但关于乘客没赶上电梯
并被下一班电梯接走的核心逻辑并没有完全跑通
而且动画也不够流畅
作为参考
只有OPUS模型在这项测试中拿过10分
而像CLUD3.5这样的模型
和KIMMYK3也只有9分
所以这开局只能算重归重矩
第二个测试是FreeJF隐形眼镜盒
它需要生成一个3D模型
是一个带有明显L和R标识盖子的隐形眼镜盒
并且点击盖子能够将其打开这项测试
几乎所有模型都会在这里翻车
我们发送过去看看
好的 这其实做得非常好
它拿到了8分
盒子看起来很像样
像个合格的眼镜盒L
而且L和二盖也清晰可见
点击打开的交互也有效
这让他与Quan2.5Maps并列
而Opus拿到了5分
是历史第二高分
在该测试中仅次于Plus 3.5
他仍然是唯一在这个测试中
拿到满分10分的模型
所以对于一个小模型来说
能有这样的表现已经非常惊艳了
第三题是
FreeJF折叠桌
这里有一个滑块
当你向右拖动它时
桌子应该展开
向左拖则折叠回去
动画需要无缝衔剑
且呈现出真正的3D效果
我们发送请求看看
这个得到了7分
桌子确实能折叠起来
并能随滑快拖动而展开
过度基本自然
只是还不够完全流畅
表现最好的模型
如Cloud 3.5
KIMI GLM4
以及Summit 3.5
在这项测试中都拿到了9分
但对比来看
Opus在这项测试中仅得了5分
所以这表现绝对算很不错了
第四题是生成熊猫的SVG
吃着汉堡
我们发送过去看看
好
这确实能看出是一只熊猫
也能看出是汉堡
但构图有点别扭
而且看起来不太像在吃汉堡
这题给五分
在这项测试中
像Pimi和Gemini 1.5这样表现最好的模型
以及Quain 2.5 Max得分也仅为8分
所以并不算惊艳
第五题是制作弓箭
模拟游戏里面设计了四个靶子
玩家需要以最短的时间击中所有靶子
从而登上排行榜
我们发送代码运行一下看看
这道题得了7分
核心射击机制可以正常运行
靶子能判定击中
排行榜功能也正常
但整体手感和细节打磨
还达不到顶尖模型的水平
比如Grog 1.5和Quang 2.5 Math
虽然Opus模型在这里都拿了满分
但这依然是个可玩的游戏
所以表现还算不错
第六题是一道数学难题
关于计算有序队的排列数
答应该是2460
很多模型在这一题上完全翻车
我们提交一下
看看
他完美答对了2460
完全正确
拿了满分10分
这让他机身同一梯队
与Cloud 3.5
Timmy Chat
Queen Max
以及Opus模型并列
有趣的是
在我测试时
V4 Pro预览版也做对了这道题
所以V4系列的推理能力显然非常过瘾
第七题是一个复杂的长城任务
生成一个关于熊猫知识的数据集
并用该数据集为调一个GEM2B模型
接着构建一个本地WebUI每次刷新页面都会生成一条熊猫冷知识
全程从零开始完全自主完成
且完全在本地运行
我们启动任务看看效果
这次的表现绝对可以达满分
它生成了数据集并完成了整个微调
独自运行期间完全没有卡科
生成的Web UI正常运行
每次刷新都显示新的熊猫冷知识
这正是那种复杂的长程智能体任务
Deep C声称对其进行过针对性升级
说实话
效果显而易见
之前的预览版远没这么可靠
这波表现确实堪称完美
第八题也是最后一题
是制作一个3D万秒
要求是一个功能完整的3D万秒
能显示当前实际时间
秒针 分针
以及时针都要平滑转动
还要有日期
核心器显示
以及双时区
这是整个测试集中最难的一题
之前没有任何模型
能在这道题上拿到好成绩
历史最高分是Fibo5创下的
4分
让我们直接运行测试
但你感谢
Lip6 V4 Flav竟然拿到了6分
创下这道题历史记录
手表完整呈现出来
指针转动平滑
只能实时同步时间
双时区设置也基本正常
虽然还不完美
所以没能拿到更高的分数
但这个小模型刚刚击败了
Cloud 3.5 Opus
以及我测试集最难题目上的
其他所有前沿模型
这完全出乎我的意料
来看一下最终的图表
Deep Seek V4 Flash 0731
最终拿到了58分
得分率为72.5%
这让它排在
略高于GPT4O513的71.25%
稍低于Gemini 1.5 Pro的75%
而在它之上
有Kinning和
Opas并列77.5%
GTT 450808达80%
接着是Quain
Quain 2.5 Max拿下81.25%
而Cloud 3.5仍以82.5%稳居榜首
而对比以下背景
你就能明白这有多惊人
我之前测试Deep Seek V4 Pro预览版时
它在此测试中仅得了24.8%
新的Flash模型得分达到了72.5%
这意味着该系列的小模型现在
比大模型预览版的表现提升了近三倍
在我的测试中
而且在架构和尺寸与预览版相同
单靠后训练就能取得惊人提升
不可思议
这也印证了Deep Seed所宣称的Agent能力升级
从得分规律中也可以清楚地看到
所有射击推理
或长城Agent任务基本上都拿到了满分
比如数学和微调任务
还有创纪录的时钟生成常识
但像熊猫SVG这种纯视觉打磨的任务
还有电梯动画
在这些方面它的表现依然平平
所以这确实很像是一个
针对智能体编程深度微调的模型
正如官方基准测试所示
那么结论是什么
这绝对是目前性价比最高的模型之一
可用于智能体编程
在我的测试中
它的表现已经达到了Gemini 1.5 Pro的水平
它可以直接接入Cursor等代码工具
这得益于其API知识
而且Ditsig的价格
一直都非常便宜
如果你是学生
或者对于预算有限的开发者
这绝对是个极佳的选择
他显然还无法击败Cloud 3.5
或是在综合表现上超越OPUS
而且他的视觉能力依然表现平平
但考虑到他的体量和价格
这已经足够经验了
而且别忘了
这还仅仅是Flash版本
官方的DeepSick V4 Pro也即将发布
据官方介绍
如果将同样的智能体后训练应用
到1.6万亿参数的模型上
那对市面上昂贵的B元模型来说
将是降维打击般的存在
我会在上线后第一时间进行测试
尽情关注
总的来说
这非常酷