93 模型实测 1.5 年：蒸馏+量化+RL 或损害通用能力，DeepSeek 某版垫底
Afinetheorem · x · 2026-10-19
研究者 Afinetheorem 基于自己维护的图像+逻辑基准（配图显示为 HardGeoBench，一个图片地理定位评测），在 1.5 年里跑了 93 个模型后提出论断：蒸馏 + 量化 + 针对特定任务的 RL，会对模型的通用智能造成明显伤害。
- 历史最差模型：DeepSeek v4.1 Flash 1017
- 最差四名还包括 GPT 6 Luna、Mimi 2.6 Pro、Qwen 3.8 27b
- 配图榜单显示 DeepSeek v4.1-flash-1017 在 10 英里内定位准确率仅 3.8%，平均距离误差 3201.4 英里，而 Gemini、Claude、Grok 等模型在 10-17% 区间
所属事件:18 个月实测 93 个模型：蒸馏量化与专项 RL 或损害通用能力(2 条相关)→
「模型」频道最新
- Sarah Hooker:GLM 5.3 全靠后训练,预训练时代正在终结 — khademinori · 2026-10-19
- 数学家再抛争议观点：LLM 只会插值，发现不了黎曼猜想级新数学 — burny_tech · 2026-10-19
- 时区换算是他留给 Google 的最后一个用例，如今也被 LLM 取代 — shauseth · 2026-10-19
- Qwen Image 2.1 默认工作流的提示词增强器被吐槽「是个笑话」 — dtdisapointingresult · 2026-10-19
- 开发者实测：Opus UI 更强，Astra 在逻辑与完整性上仍占优 — mallow610 · 2026-10-19
- DeepSeek V4.1 Flash 被指「小更新」:V4.1 Pro 疑似在路上 — teortaxesTex · 2026-10-19