DeepSeek V4首测表现有不足但整体可圈可点

DeepSeek V4 正式发布了！消息一出，我立刻兴冲冲地跑去上手实测。

没想到，第一个测试样例就翻了车——用的还是最强的 V4 Pro 版本！

花了不少时间，犯的错误还挺低级，多少有点出乎意料。好在这个开头没影响后续发挥，后面几个例子倒是表现相当不错。

下面完整说说这次的测试工具、测试用例、测试过程和结果，顺便也记一笔 Tokens 消耗和花费明细。

1、测试工具

DeepSeek 官方提到，专门对 Claude Code 这类智能体工具做了针对性优化训练，并且完全兼容 Anthropic 协议。那自然就选 Claude Code 作为评测工具了。

打开手头的 JCode，配置好 DeepSeek 的 Pro 模型，双击启动，直接开干。

可以看到模型已经是 DeepSeek-V4-Pro，这是专业版模型，1.6T 参数，100 万上下文。各项编程基准测试的结果都处于顶级水准。

2、测试例子

测试用例是从之前 GLM5 和 Opus4.6 对战的那套题目里拿的。其中五道是 GLM 出的，用来挑战 Opus4.6；另外五道是 Opus4.6 出的，用来捍卫它的地位。

因为有些问题太专业，所以让它们重新出了题，要求既要有娱乐性，又得体现专业性——大家都能看懂，写起来还得有点难度。

根据这个要求，最终确定了 10 个测试用例，其中一个不太方便测，就砍掉了。剩下的 9 个用例已经测过不少模型，国内国外的都有。

具体测试对象包括 Claude Opus 4.6、Doubao2.0、Gemini3.1Pro、GLM5、Kimi-K2.5、Minmax-M2.5、GPT5.4、Qwen3.5Plus。现在，DeepSeek V4 也加入了评测行列。

工具和用例都介绍完了，一个一个开始测。

3、赛博朋克版《清明上河图》

这个例子我很喜欢，非常有趣——制作一版赛博朋克风格的清明上河图。

完整提示词：

编写单个 HTML 文件，用浏览器打开后呈现动态的赛博朋克风格《清明上河图》长卷。画面自动从右向左滚动，包含至少 50 个动态元素（霓虹灯招牌、飞行汽车、全息投影广告、机械义肢行人等），鼠标悬停店铺时弹出赛博风格信息卡片。

关键技术点：

• SVG/Canvas 绘图编程能力
• CSS 动画逻辑
• 鼠标交互事件处理
• 审美设计与视觉呈现

把完整提示词放进 Claude Code，回车，开始干活。

准备开盲盒了，有点小兴奋，毕竟这是刚出炉的顶配 Pro 模型。没想到等了 10 分钟还没动静，已经有点不耐烦了。还好，又等了两分钟，出结果了。

开发这个页面花了 12 分钟 15 秒。看它的总结还不错，动态元素远超 50 个，估计是 50 的十倍了。还有减速、加速、反向、暂停，甚至设了快捷键。从它的描述来看，效果可能跟 Opus4.6 做的特别像。

赶紧打开页面体验一下：

默认效果看着不错，它提示我点击任意位置开始浏览，但我点了半天没反应。这时候基本断定，肯定是 JS 出错了。打开开发者模式看控制台，果然有一个"Unexpected string"错误。

根据浏览器提示，是这段 JS 有问题。比较敏锐的老程序员应该一眼就能看出问题。如果你没看出来，咱们问问豆包——为什么用豆包？支持国产嘛！

豆包的回答很干脆，一下子指出了三个严重错误。其他两个不管，感觉像是瞎说的，我们只看第一个：该写冒号的地方写成了逗号。这属于特别低级的错误，根本不涉及任何复杂的业务逻辑，就是基本功不扎实。虽然只是一个逗号，但代码就是这样，每一个符号都很重要。

手动修正了这个错误，运行之后依然很卡，视觉效果也不太好。第一个测试基本宣告失败了。

看看 API 数据：总共调用了 3 次，其中一次是 say hello，不算。消耗了 12.7 万 Tokens，未命中缓存 7.4 万，总共花了 1.64 元。这一个例子，跑得慢不说，还有错。

不过错了一个不代表全部，继续测试，再接再厉。

4、CSS山水画

这个例子也很好玩，要实现动态效果，但只能用 CSS，而且得“写意”。

提示词：

用纯 CSS（单个 HTML 文件，不允许用 Ja vaScript、SVG、Canvas、任何图片资源）画一幅中国山水画。要求包含：远山、近山、瀑布流水、松树、亭台、云雾缭绕动效、飞鸟。越写意越好，越像水墨越强。

关键技术点：

• CSS box-shadow 极限运用
• CSS gradient（渐变）叠加技巧
• CSS clip-path 图形裁剪
• CSS 动画（云雾、飞鸟、流水）
• 纯 CSS 绘图能力（无 Ja vaScript）

结果：没有错误，运行正常。整体配色不错，树也比较像树木，太阳、飞鸟、凉亭都挺好。就是山有点太尖锐、太密集了，右下角的印章也是混乱的。以往测试中，这个水平算中等。

但有一个问题：时间太久！写一个页面花了 16 分钟，这个时间 Opus 都能从零开始开发一个项目 MVP 了。

消耗情况：请求数一下子到了 26 次，Tokens 消耗 126 万（还好其中 100 万命中了缓存），费用 4.17 元。

5、完整横版 HTML 跑酷游戏

上面那些只能看，这个可以玩。

提示词：

用单个 HTML 文件（可以用 JS + CSS，但不允许引入任何外部资源/CDN）做一个完整可玩的横版跑酷游戏，要求：- 角色自动奔跑，点击/空格跳跃，支持二段跳 - 随机生成障碍物和金币 - 有计分系统、最高分记录 - 有背景视差滚动（至少 3 层） - 角色死亡时有粒子爆炸特效 - 有开始界面和 Game Over 界面 - 整体视觉风格要好看（像素风或赛博朋克风均可）

关键技术点：

• Canvas 2D 游戏引擎开发
• 物理模拟（跳跃、重力、碰撞检测）
• 视差滚动实现
• 粒子特效系统
• 游戏状态管理（开始、进行、结束）

结果：这次任务完成得还可以。自动奔跑、二段跳、金币、三层背景视差都有，但缺少计分和最高分记录。其他选手都有的功能，它只在挂掉的时候才显示分数，游戏过程中不显示，明显不合理、不符合要求。因为这一点，只能排中等偏下了。

6、诗词版黑客帝国代码雨

跑酷结束，再来点酷炫的，搞个黑客帝国的代码雨。

提示词：

用一个 HTML 文件实现黑客帝国经典代码雨效果，但有以下创意要求：- 下落的不是随机字符，而是中国古诗词（每列是一首完整的诗，从上往下逐字飘落） - 背景纯黑，文字渐变色（从亮绿到暗绿到消失） - 当鼠标划过某一列时，该列暂停并高亮显示完整诗句，旁边浮现诗人名和朝代 - 至少包含 20 首不同的古诗 - 整体流畅度要高，不能卡顿

关键技术点：

• Canvas 动画性能优化（大量字符流畅渲染）
• 鼠标交互事件处理（暂停、高亮）
• 古诗词知识储备（20 首以上）
• 视觉效果设计（渐变色、透明度过渡）

结果：打开之后发现没有黑客帝国代码雨，页面空荡荡的。不会又崩了吧？还好，等了好久终于出东西了——大概 12 秒左右。一般人 3 秒不出东西肯定就关页面了，严格来说 1 秒多就会觉得有点长。我不确定它是什么逻辑。

出来之后效果还不错，提示词里的需求都满足了，个人觉得效果还行，但 12 秒的延迟得扣大分。如果没有这个延迟，应该能到中等偏上的水平。

7、AI 五子棋对战 + 华丽 UI

又是一个能玩的例子。

提示词：

用一个 HTML 文件实现一个人机五子棋，要求：- 棋盘是 15×15 标准棋盘，有木纹质感 - AI 要足够聪明（至少能识破简单的活三、冲四，不能让人 3 步就赢） - 落子时有动画效果（石子从上方落下，有弹跳回弹） - 连成五子时有华丽的胜利特效（粒子烟花 + 连线高亮闪烁） - 支持悔棋功能 - 有一个“AI 思考中”的加载动画 - 整体 UI 要精致，不能是毛坯房风格

关键技术点：

• AI 算法（minimax + alpha-beta 剪枝）
• Canvas 棋盘渲染与木纹质感
• 落子动画（弹跳回弹物理效果）
• 粒子烟花特效
• 游戏逻辑完整性（胜负判断、悔棋）

结果：界面设计得非常不错，提示词中的需求也全部完成了。AI 的智商也还可以，下了很久才赢了它，一不小心就容易输。不过，很快找到了必胜的法门——只要按特定位置和顺序来下，必胜！

这个例子的 UI/UX 和逻辑属于中上水平，偏优秀。之前有些模型 UI 做得一塌糊涂，有些模型 AI 很弱。

8、分形烟花秀

上面看了好几个例子，下面来个绚丽的。

提示词：

请编写一段“祝大家 2026 新年快乐”的烟花动画。1. 烟花爆炸的形状不能是普通的圆，必须是**分形几何图形**（如曼德博集合或谢尔宾斯基三角形的变体）。2. 烟花升空的轨迹要符合物理抛物线，且爆炸后的碎片要有重力下落效果。3. 最后，所有的烟花轨迹必须在空中汇聚成“2026”这几个大字。

关键技术点：

• 分形几何算法（曼德博集合、谢尔宾斯基三角形）
• 物理模拟（抛物线运动、重力效果）
• 数学算法与视觉呈现的结合

结果：这个项目的测试结果也不错。烟花正常炸开，没有卡死。最关键的是最后聚合成 2026 这个效果，是所有模型中完成得最好的一个。这个例子能到优秀水平，整体画面感和效果虽然不如 Opus，但最后汇聚成 2026 赢过了所有人。

到这里，已经测了 6 个题目。因为实在等得太久，有点麻了，还有几个测试稍后再做，然后统一更新到测试网站上，动态效果对比更明显。

六个例子其实不少，基本能看出什么水平了。整体来看，Pro 水平是有的，有几个例子效果挺好，但有些细节问题不应该错。全面性和稳定性有待提升。高手过招，全在稳定发挥和细节上。Opus4.6 一个低级错误都没有，全过，而且审美在线。

另外，测试时感觉速度比较慢，可能跟使用人数有关，也可能和硬件有关。这次测试总共花费 9 块多，Pro 价格肯定不算便宜。有空再测测 Flash！

这次的测试都是单个页面、从头开始的需求，相对简单。下次讲讲“JarvisBench”的测试情况（已经测完），会从一个开发了一半的项目开始，让它完成功能升级——涉及数据结构、业务逻辑以及多个页面的修改。看看它在稍微复杂一点的项目中表现如何，这才是比较关键的一个测试。

另外也会做一些常规的智力测试，以及全面的延迟和速度测试。所有测试结果，会同步到测试网站上。