DeepSeek V4 逻辑测评

结论速览

• V4 Pro 作为万亿参数模型，与 Seed 2.0 Pro、Kimi K2.6 在第一梯队头部会师，以显著优势拿到国产模型第一；但 max 档位推理开销显著更高

• V4 Flash 以 200B+ 级别体量与尺寸相近的 Hy3 在第一梯队尾部相遇；V4 Flash 定价更低，但综合成本与 Hy3 持平，二者互有胜负

详细评测

优势

指令遵循：V4 Pro 指令遵循稳定，复杂语境和多条件在多 Pass 下表现一致；能力与 GPT-5.4 非常接近，显著高于 Kimi K2.6。max 档位会无视"不要过度思考"类指示，high 档位会响应此类要求。V4 Flash 指令能力与 V4 Pro 基本持平，略高于 Hy3。

复杂推理：多步长链推理上 V4 Pro 上限持平 K2.6、略弱于 GPT-5.4，但表现不够稳定——max 档位容易过度思考、随机陷入局部解。V4 Flash 同样受影响，中等难度任务上反而没有 Hy3 稳定。

上下文幻觉：V4 Pro 存在幻觉但不高，通常在上下文有大量相似文本时出现轻微错误；长文本信息提取类任务中，思维链里已正确提取的信息在后续处理中会失真。V4 Flash 幻觉水平持平 V4 Pro，上限和稳定性都好于 Hy3。

不足

规律洞察：V4 Pro 未表现出符合其参数规模的洞察力。在数学符号推导、字母规律探索中，GPT-5.4、Opus 具备真正的洞察力且思考长度不高，而 V4 Pro 大量依赖低效穷举、不剪枝，推理长度常在规定上限边缘，半数概率超长。V4 Flash 继承了一定洞察能力但表现随机，总体上与 Hy3 互有胜负。

低效推理：max 档位推理效率显著更低。相同正确率下，high 档位消耗的 Token 通常只有 max 的 1/2 乃至 1/3；max 虽在极限难题上正确率更高，但与 Token 消耗量级不匹配。对比 GPT-5.4 的 xhigh 档位，GPT-5.4 可以做到智力与 Token 消耗接近线性相关。

小结

DeepSeek 发布的模型通常在某些方面是当时 SOTA，性价比能长期保持标杆；作为坚定的开源派，其技术普惠路线使其即便闭源收费也不乏用户买单。