DeepSeek V4.1 Flash 盲测登国产第一，换客户端暴跌近 17 分
teortaxesTex · x · 2026-09-09
一组 7 个「模型+编程客户端」同题盲测显示：同一份生产级代码任务、同一安全问题、完全隔离沙盒下，DeepSeek V4.1 Flash + Claude Code 以 76.69 分拿下国产模型第一，超过 Qwen 3.8 Flash（75.13）、Kimi K3-256K（70.73）、Qwen 3.8 Max（69.58）和 GLM 5.3（64.72）。
- 赢在：安全隐私 88 分、失败/并发安全与性能单项最高，缓存命中率全程 99%+，49 分钟跑完，比大参数模型更快。
- 输在：功能正确性 78 分不敌 Qwen 3.8 Flash 的 82；失败安全绝对分仅 54，事务与并发路径仍弱；测试质量、架构、兼容性等均非单项第一。
- 最大变量是客户端：同一模型换到 DSH 宿主后直接掉 16.77 分（59.92），工具接入与执行流程差异巨大。
结论：Flash 已能对标旗舰，但工程边角未打满，客户端适配是当前最大变量；且这是单任务工程评测，不代表通用能力排名。
「编程与Agent」频道最新
- AI Engineering Buildcamp 公布六大实战项目，覆盖 RAG 到多智能体 — Al_Grigor · 2026-09-09
- Reddit 讨论：大家的多模型 Agent 工作流到底怎么搭？ — Necessary-Apple337 · 2026-09-09
- 网友开源 CLI:输入公众号文章链接自动导出 Markdown — vista8 · 2026-09-09
- 月跑千次编码 Agent 算账：最大成本不是任务，是静默重试 — mrtrly · 2026-09-09
- 编码 Agent 的绿灯测试套件只证明会写测试，不证明功能可用 — Future_AGI · 2026-09-09
- threepointone:副业项目该从做网站转向造对抗自主攻击的「个人装甲」 — threepointone · 2026-09-09