Hacker News 中文摘要

RSS订阅

DeepSeek V4 Flash 0731 -- DeepSeek V4 Flash 0731

原文链接 | HN讨论 | 2026-08-08 03:29:08

文章摘要

DeepSeek V4 Flash 0731在ARC-AGI基准测试中取得了新的结果，展示了其在抽象推理任务上的性能表现。

文章总结

好的，这是根据您的要求，对原文主要内容进行的中文重述，已保留关键细节并删除了与主题无关的导航、页脚等内容。

标题：DeepSeek V4 Flash 0731 - ARC-AGI 测试结果

来源： ARC Prize 官网

核心内容：

DeepSeek 公司于2026年7月31日发布了其模型 DeepSeek V4 Flash 0731 在 ARC-AGI 基准测试上的结果。该模型提供了三种推理变体（高、中、低）。

在最大努力（Max effort）下，该模型在 ARC-AGI-1 半私有测试集上取得了 89.0% 的得分，每项任务成本为 0.02美元；在 ARC-AGI-2 半私有测试集上取得了 61.4% 的得分，每项任务成本为 0.04美元。

验证得分（Verified Scores）：

| 变体 | ARC-AGI-1 | ARC-AGI-2 | ARC-AGI-3 | | :--- | :--- | :--- | :--- | | 最高 (Max) | 89.0% | 61.4% | — | | 高 (High) | 87.0% | 56.0% | — | | 低 (Low) | 84.0% | 46.0% | — |

任务与环境：

页面详细列出了模型在 ARC-AGI-2 公共评估集（120个任务）和 ARC-AGI-1 公共评估集（400个任务）中，每个任务在三种推理变体下的通过/失败情况。表格展示了每个任务的唯一ID及其在“最高”、“高”、“低”三种配置下的测试结果（✓ 表示通过，✗ 表示失败）。

相关链接：

  • 论文： arxiv.org/abs/2606.19348
  • 模型： huggingface.co/deepseek-ai/DeepSeek-V4-Flash-0731

评论总结

根据评论内容，总结如下：

主要观点与论据：

  1. 性价比极高：多数评论认可DeepSeek V4 Flash在性能与成本上的优势。例如，tosh指出“results comparable to GPT-5.6 Luna but cheaper”（结果与GPT-5.6 Luna相当但更便宜），LaurensBER强调“good enough to use it for (almost) everything and cheap enough that the cost are irrelevant”（几乎适用于所有场景，且成本无关紧要）。dcchambers称其“almost at the 'too cheap to meter' level”（几乎达到“便宜到无需计量”的程度）。

  2. 性能与实用性：部分评论认为其性能虽非顶尖但足够实用。mosura推荐用于编程任务，称“It is strong (not Fable strong though) with a much better 'persona' than Opus”（虽不如Fable强，但比Opus有更好的“个性”）。SwellJoe表示“DeepSeek models seem to be generally as good as the benchmarks indicate”（DeepSeek模型通常与基准测试表现一致）。

  3. 成本与价格争议：有评论质疑价格作为衡量标准的有效性。muricula认为“Price is confounded by VC subsidies, economies of scale, and inference optimizations”（价格受风投补贴、规模经济和推理优化影响），antirez建议“Active parameters per token are. Joule would be even better”（每token活跃参数或焦耳更合适）。Havoc提醒“They did recently announce they're increasing prices”（他们最近宣布涨价）。

  4. 技术局限与问题：iagooar指出“tool calling with it is SLOW”（工具调用速度慢），esafak批评“like many Chinese models, it uses a lot of tokens to get work done”（像许多中国模型一样，使用大量token完成任务）。

  5. 行业影响与展望：542458感叹“same performance for 1/20th of the price. Wild how fast this is advancing”（相同性能价格降至1/20，进展惊人）。surprisetalk类比“pareto-style speedrun record charts when a new glitch is discovered”（发现新漏洞时的帕累托式速通记录图），暗示重要突破尚未到来。

平衡性总结： - 正面：性价比突出，实用性强，适合编程等任务，成本低至可忽略。 - 负面：工具调用慢，token消耗大，价格可能上涨，且非前沿模型。 - 中立：价格作为衡量标准有争议，需关注技术细节（如活跃参数、推理优化）。