DeepSeek V4 Pro 在精度上击败 GPT-5.5 Pro

原文 ↗ Hacker News 讨论 ↗

评估方法与文章质量

  • 许多评论者认为这篇文章的比较很弱：只有 4 个任务、看起来像是单次运行、没有清晰的评分标准、“精度”的定义模糊，而且由一个 AI（Grok）担任裁判。
  • 一些人称其为 AI 生成的点击诱饵，措辞夸张且几乎不可复现。
  • 还有人认为，像这样的小型定制测试与更系统的基准相比几乎说明不了什么，或者至少应该报告多次运行和具体测试用例。

模型质量：精度 vs 深度

  • 多位开发者表示，DeepSeek V4 Pro（尤其是 Flash）对于许多编码任务来说已经“足够好”或接近前沿水平，通常大致相当于 Opus / Sonnet 的中上水平。
  • 用户指出，DeepSeek 往往能很好地遵循 schema 和结构化规范，但在“大局观”、模糊指令或非常困难的推理上可能更弱，而 GPT-5.5 或顶级 Claude 模型仍会胜出。
  • 有人强调，对于棘手、高风险的问题，他们每月还是会回退到 GPT/Claude 几次。
  • 也有人抱怨当前所有评估（包括 pelican 玩笑、DeepSWE 等）都很嘈杂，而且经常相互冲突。

成本、缓存与性能

  • 普遍共识是 DeepSeek 的成本/性能极其出色；几位用户描述其在大型基准上的运行成本比 GPT-5.5 Pro 低了几个数量级。
  • DeepSeek 激进的服务器端缓存被反复强调；用户报告缓存命中率超过 90%，而有效 token 成本极低。
  • 延迟方面看法不一：有人觉得 Pro 在交互式聊天里太慢，但 Flash 速度快且响应灵敏；也有人认为速度可接受，取决于提供商。

工作流、harness 与“足够好”的模型

  • 许多人通过编码 harness 使用 DeepSeek（Claude Code、OpenCode、Pi、Zed 等），并强调结构、测试和 agent 编排比模型之间微小差异更重要。
  • 常见模式是：用更便宜的开权重模型处理批量/迭代工作，把昂贵的前沿模型留给边界情况、规划或对抗性审查。
  • 一些人认为，在强大的 harness 支持下，较弱模型加上重试，在每个已解决任务的成本上可能胜过昂贵模型。

隐私、地缘政治与托管

  • 有些人对把数据发送给一家中国实验室感到不安（并提到 CCP、制裁、天安门审查），而另一些人对美国实验室同样不信任，因此更偏好开权重和自托管。
  • 关于 DeepSeek 的低价是否被补贴（可能是为了市场份额/数据）还是可由 MoE 架构、注意力压缩、廉价电力以及大量底层优化解释的争论；线程中的结论是：补贴说法尚未被证实。
  • 自托管 DeepSeek 是可行的，但对硬件要求很高；实际上主要适用于资源充足的组织。

元主题

  • 人们越来越厌倦“一次性 X 击败 Y”的标题，以及阵营式态度（“DeepSeek 队”对“OpenAI/Claude 队”）。
  • 新兴共识是：顶级模型都非常强；选择越来越取决于成本、约束和工作流，而不是单一数字意义上的“谁最好”。