这次的 flash-v4.1 的第三方跑分释放了，数据源如下： https://artificialanalysis.ai/models/deepseek-v4-1-flash?pricing=blended-price#intelligence-breakdown
总体上是预期水平（ artificialanalysis.ai 刚刚调整了整个总分的权重和算法），但是发现了个有趣的点，值得玩味。
v4.1 的错误回答中，幻觉率非常大，也就是非常不懂装懂。
幻觉率的公式是：错误答案 /（错误答案 + 部分答案 + 未尝试回答）也就是说，他有 96%的错误情形都是硬装。而不是放弃或者只回答一部分。
这也就导致，v4.1 的平均任务花费 token 数，会更高(PS:GPT6 的平均 token 数确实很惊艳)：
 |
1
Insolitude 6h 10m ago via Android
还真有这种感觉，用的自部署的 deepseek v4 flash ，在 Claude code 这种比较克制的 harness 上，容易代码没理清就开始提修复。到了 dsh 上，就比较奔放，问一个问题要从盘古开天辟地开始读代码，好处是确实看得比较透，坏处是 token 用量体感是 Claude 的 2-3 倍。
|
 |
2
loveqianool 5h 36m ago via Android
这上面怎么没有豆包呀。
|
 |
3
sentinelK OP @loveqianool 这个有个筛选条件，你可以自选筛选哪些模型进入表格。
|
Select Language