DeepSeek-V4 Flash vs GPT-5.6 Luna：性价比完胜，质量达八成

开发者zainhas基于DeepSWE基准对DeepSeek-V4 Flash 0731与GPT-5.6 Luna进行了软件工程任务实测，核心结论是DeepSeek性价比极高：单任务成本仅$0.10，约为Luna（$0.60）的1/6，准确率达Luna的80%（53.3% vs 67.2%）。通过并行多次尝试（pass@2成本$0.20）或与Luna级联的策略，DeepSeek可追平甚至超越Luna，同时大幅降低成本。该对比为开发者选择模型提供了重要参考，凸显了低成本模型在软件工程场景的潜力。

已确认

• 成本与准确率：DeepSeek每任务$0.10，Luna为$0.60，相差约5倍；准确率DeepSeek 53.3%，Luna 67.2%，Luna仅高约14个百分点。
• 多次尝试效果：DeepSeek 2次尝试准确率81.6%（成本$0.20），4次达90.3%；Luna相应为70.1%和80.5%。
• 级联策略：先用DeepSeek处理，验证失败时升级到Luna，准确率78.9%，成本$0.385，比Luna单模型（67.2%，$0.61）成本降63%，准确率提升11.7%。
• 任务重叠：两者共同解决87个任务，Luna独解15个，DeepSeek独解仅4个，相关性0.50。
• 领域表现：Luna在7/8个领域胜出，DeepSeek仅在查询与配置（78-70）占优；DeepSeek在JavaScript上表现崩溃（35-60），Python较弱（49-65），Rust（55-60）和Go（62-79）尚可。
• 失败模式：DeepSeek回归破坏率9%，Luna为15%，DeepSeek失败更优雅。

尚未确认

• 具体测试环境、任务集细节及模型版本信息未在帖子中完整披露。

为什么重要

该实测为开发者提供了明确的成本-性能权衡依据：在预算敏感场景下，DeepSeek-V4 Flash凭借极低成本和可接受的准确率成为高性价比选择；而通过多次尝试或级联策略，可在不显著增加成本的情况下达到甚至超越顶级模型。这有助于推动大模型在软件工程领域的更广泛应用。

2026-08-07 ~ 2026-08-07 · 11 条相关

• 【源头】实测DeepSeek-V4对比GPT-5.6：成本仅1/6，质量达80% — zainhas · 2026-08-07
• Luna贵6倍但准确率仅高14点，DeepSeek性价比完胜 — zainhas · 2026-08-07
• 【源头】DeepSeek每任务仅$0.10，比Luna便宜5倍 — zainhas · 2026-08-07
• DeepSeek多次尝试可追平Luna：pass@2成本仅$0.20 — zainhas · 2026-08-07
• DeepSeek失败更优雅：回归破坏率9%，Luna达15% — zainhas · 2026-08-07
• Luna在7/8领域胜出，DeepSeek仅守住查询配置 — zainhas · 2026-08-07
• DeepSeek在JavaScript上表现崩溃，Rust和Go尚可 — zainhas · 2026-08-07
• DeepSeek与Luna任务重叠度高：Luna独解15题，DeepSeek仅4题 — zainhas · 2026-08-07
• 【源头】DeepSeek+验证器级联策略：成本降63%，准确率超Luna单模型 — zainhas · 2026-08-07
• DeepSeek+Luna 组合策略：成本降 37%、准确率提升 11.7% — zainhas · 2026-08-07
• DeepSeek-V4 Flash 软件工程实测：性能达 GPT-5.6 八成 — zainhas · 2026-08-07