105 个真实 bug 实测：DeepSeek V4.1 Flash 成本仅 Opus 的 3.5%
PawelHuryn · x · 2026-09-10
作者 Pawel Huryn 用 2 个仓库、105 个隐藏真实 bug 测试各前沿模型的查找与修复能力，并补充 FAQ 回应常见质疑：
成绩与成本（max/xhigh 档）：
- Opus 5 (max)：27 个，$51.33
- Grok 4.6 (max)：27 个，$16.96
- DeepSeek V4.1 Flash (max)：24 个，$1.80
- GPT-5.6 Luna (xhigh)：23 个，$2.50
- Opus 5 (high)：21 个，$38
方法要点：
- 这些都是 2026 年初前沿模型早期也难以解决的真实棘手 bug，不能读成「最好模型只解了 45/105」
- 未植入的 bug 不计分；OpenAI 模型会报很多真实但不相关的问题，修了反而复杂化、会虚增分数
- 每个模型由另一个模型家族作评判，作者已确认评判校准；答案不公开，匿名运行记录在 GitHub
- 作者评价 Luna (max) 是又强又便宜的好模型；Muse Spark 1.3 因欧洲无法付款 + OpenRouter effort 档位不可靠而未测
结论：DeepSeek V4.1 Flash 日常任务表现出色，成本极低。
所属事件:DeepSeek V4.1 Flash 多方实测：近前沿性能，成本仅 1.4%~3.5%(15 条相关)→
「模型」频道最新
- 网友发现 Claude 疑似上线专用翻译界面 — BLCNYY · 2026-10-26
- 用户实测 GrokBot:订机票、网购全被拦,几乎办不成事 — lucasmeijer · 2026-10-26
- 售卖机基准新观察：Sol 5.6 被指最激进、最常违约 — xuanalogue · 2026-10-26
- 爆料称 Fable 5.5 每周将发，博主泼冷水：本月无前沿新模型 — patience_cave · 2026-10-26
- 实测 abliterated 去审查模型翻车:模型反而关心起我的心理健康 — ryunuck · 2026-10-26
- OpenAI Decisions API 升级：单次可处理 400 个问题并新增语音与图像能力 — OpenAIDevs · 2026-10-26