Deepseek vs GPT 测评对比!差距在哪里?
昨天用最新的准 Benchmark 3.0 测了 GPT 6.2 Astra 和 Sol,得分都不算高。有粉丝说测个国内的对比下,国内标杆我选 DeepSeek V4.1 Flash。还是 pi agent 接入,思考深度拉到最高,最后也会说下费用。
第一题强约束指令,加了字数和红楼梦人物开头的约束。句子都按 1 到 10 结尾、每句 9 个字,但只有第一句真正通顺,第 2、3 句勉强算,其他全部不通顺;对比 Astra 全对、Sol 5 句不通顺,DeepSeek 严格说 9 句、放宽 7 句。第二题鹈鹕土星环骑车,大方向没问题,但两个翅膀都扶在同一边、齿轮不对称且一半没有支撑、脚踏时远时近不像脚踏。
第三题复合弓射箭问题比 Sol 和 Astra 严重:整个人转身射箭、头和身体错位、手穿过脖子取箭、箭羽反了、箭是闪现出来的、复合弓滚轮根本没转。第四题浏览器 OS 有液态玻璃效果,但 Dock 图标右边像多了个别针;弹窗正常;万年历有节气、22 号小雪正常;终端不该有 border;太空射击飞机一直套着保护膜,不如 Sol 干净漂亮。
第五题去水印:水印大部分去掉了,但把其他文字和内容改得一团糟。第六题 DeepSeek Harness 找 bug:最终找到 5 个,而 Astra 和 Sol 找到 9 个。
最后是费用:总共约 20 块钱、65M tokens、2 个多小时,主要时间耗在复合弓那题。国模和海外模型的差距大吗?最近是在拉大吗?












