Deepseek V4 Pro 重测报告！自家Harnesss上表现如何？
在 DeepSeek Harness 复测 DeepSeek V4 Pro，网上流传模型自家框架专属优化的说法实际效果存疑；拉满 max 思考深度，强约束指令测试结果甚至比 Codex 平台还要差，24 点、密码锁推理作答正确；编程项目中浏览器系统、太空射击游戏表现有所改善，但 3D 赛车滑行 BUG 严重，Trello 看板 UI 与功能依旧出彩，综合来看本次复测整体不及 Codex 上的表现，大概是模型本身存在缺陷……
微信赞赏
相关推荐
2026-02-16
Deepseek 重大更新！用API的要注意了！
DeepSeek发布了重大更新，使用其API的开发者需要注意了！本次更新可能涉及：API接口变更、模型版本升级、定价策略调整和功能增加/废弃。本视频详细解读DeepSeek最新更新的内容，如果你是DeepSeek API的用户，这些变化可能会影响你的应用——需要了解具体的迁移步骤、兼容性信息和最佳应对策略，确保你的服务不受影响。 访问入口
2026-09-29
AirLLM！4G显存跑70G大模型！穷人Deepseek部署指南！
手头没有强劲显卡、又想本地部署几十上百 B 参数大模型的兄弟，这个开源项目值得看一下——不过有言在先，速度肯定是慢的。它就是 AirLLM，号称 4G 显存就能跑 70B 大模型，目前在 GitHub 上已经攒了 38K 多颗星。前两天分享的 FreeToken 用 4G 显存跑 35B 已经够厉害，AirLLM 更夸张。 用法简单到离谱：pip 装上 airllm，一行代码把 HuggingFace 的模型名传进去，就能在自己的游戏本上跑推理。原理说穿了不复杂——大语言模型由多个 Transformer 构成，每个 Transformer 又分多层，AirLLM 让显存里一次只放一层参数，其他参数躺在硬盘上，用的时候再搬进来。所以显存占用取决于「单层有多大」，而不是模型总大小。 关键在于：不用量化、不用裁剪，精度一点不打折。往上加码也不虚——405B 的 Llama 3.1 用 8G 显存就能跑，671B 的 DeepSeek V3 只要 12G，连 2.8 万亿参数的 Kimi K3 都号称 4G 以内能跑，Mac 上苹果芯片照样能玩。更狠的是，它现在还能在 6G 显存...
2026-07-31
Deepseek V4 Flash正式版测评！终于支持Codex了！
全新 DeepSeek V4 Flash 正式版完整实测，当前仅开放 Flash API 通道，Pro 版本下月上线。原生支持 Responses API 无需额外中转工具，一行命令即可完成 Codex 配置，推理档位调至 High 开启全套标准化测试；基础指令、24 点运算、密码锁逻辑推理全部精准通关，文本约束零失误语句通顺，但代码生成环节短板突出，浏览器桌面系统、3D 赛车、Trello 看板三大开发任务单次耗时动辄半小时，运行频繁断链重连还会额外增加代码自检流程，3D 赛车成品交互效果优秀堪同年同梯队标杆，桌面系统存在控件排序、操作失灵问题，看板界面渲染异常竖线干扰但基础功能可用，整体和 Codex 适配存在明显磨合缺陷，长代码生成耗时严重降低开发效率，后续会切换 Claude Code、OpenCode 多工具复测对比，程序员、AI 开发从业者可参考本次实测结果合理选型… 访问入口
2026-09-25
Deepseek V4.1 Flash 新版鹈鹕SVG测评报告！
之前有粉丝留言，希望我把 Benchmark 里「鹈鹕骑车」这道题的难度调低之后再重测一遍，这样也能和其他几个模型、包括最近测过的 GPT-6 放在一起横向对比。这一期就来兑现这个承诺。 说起来，这道题原版的提示词确实太难了。后来我专门标注了「转弯的时候动作必须自然平滑，不能出现车身倒立或瞬间闪现掉头」，把难度降了下来，这次就先从 DeepSeek 开始测。开始之前，我们先回顾一下上一次的测评效果。 看结果：这次鹈鹕终于是沿着土星环骑行了，转弯的效果比之前好了很多，整个转弯过程也算比较顺畅。 不过问题还是得说。第一，自行车下方那个很大的「鸡爪」是什么鬼？第二，鹈鹕的翅膀没有扶着车把；第三，鹈鹕的脚跑哪去了？这三个问题在上一次测评里都是没有出现过的，可见 DeepSeek 对这道题的处理确实很不到位。 其余题目没有改动，所以博客上的分数我会继续沿用之前的得分。坦白说，这次总体结果并不比上次好。大家怎么看呢？ 访问入口
2026-10-19
Deepseek 1017 重大更新！做爬虫的有福了！
DeepSeek 更新 1017 版本之后，我们昨天已经做了三个测评。评论区有粉丝问：为什么不说说这次一起公开的 Search API 和 Fetch API？这两个其实同样是重大更新，所以补一期专门讲。 先澄清一个常见误解。以前在 DeepSeek Harness 或者 Claude Code 里用 DeepSeek 模型，一样能做联网搜索，那是因为这些工具内置了搜索插件——是 agent 的能力去调用搜索，并不是模型自身会搜。Web 端也是同理：Web 这一层本质上也是一个 agent 的 client，它会根据大语言模型的返回，自行决定要不要发起搜索。 这次 Search API 和 Fetch API 的公开，变化在于 DeepSeek 把这两项能力做成了独立的 API，而不是让大模型在内部真正去发起 search 和 fetch 调用。你依然需要所用的 agent 具备调用能力，区别是：以前这套东西不做独立计费、也没有公开出来，外界不知道接入点在哪、Endpoint 是什么。 现在公开了，意味着这套接口已经固定、已经稳定，也就意味着它可以单独收费了。更关键的是，能...
2026-09-01
Deepseek Harness（16）！终于出Office全家桶了！
Deepseek‑Harness 办公套装发布了 dsh‑univer‑office 开源插件，直接补齐中文文档短句，无需云端，本地就能一键产出 PPT、Word、Excel，图表、公式全都支持。 实测生成了一份 3 页 PPT，成品效果十分亮眼。完全免费开源，不受次数限制，生成速度飞快，妥妥的 Deepseek‑Harness 必备技能。 AI 产品狙击手，每天分享免费 AI 工具和技巧，关注我…… 访问入口
