DSV4 0813 Terminal-Bench 官方跑分与 AA 榜跑分出现巨大差异（和Flash一模一样）

邱埋葬 2026-08-13 09:33 1

其他模型也略有差异（K3 & Fable 5 & Flash0731 AA榜低3分），但不至于差了10分。

分数跟 flash 完全一样，可能是 api 模型调度有问题？
[image]

最新回复 (16)

calendar 08-13 09:37

2楼

那我就放心了，悬着的心又悬了起来
0xfa 08-13 09:37

3楼

DeepSeek这是跟前段时间qwen3.8一个问题，模型部署错了？还是啥问题，看不懂
Anew 08-13 09:38

4楼

感觉是出问题了，是部署错了，还是切换错了，还是遇到BUG了?不知道官方自己知不知道问题
快热的鸭皮 08-13 09:39

5楼

感觉测的还是flash正式版，并不是pro正式版，等后面看会不会更新
IlIIlI 08-13 09:41

6楼

图一的grok4.6对吗，我看站内佬友测的醍醐骑自行车把背景都蹬转起来了 ^-^
yydxx 08-13 09:42

7楼

[image]
↑max
↓默认（high）
[image]
以相同的prompt，max思考的思考时间更短，质量更差，智商更低。high的风格和4f的后训练风格是一致的，反而max更像是根本没改模型或者路由到什么3.2去了
[51fdd69d95a7dd7fe78e5bca39ec165]
max的思考时间远不如high的600起步
[fac8bc07e0bc47c1efb34…

deepseek v4 pro正式版的max好像有问题
Soulize 08-13 09:46

8楼

我接zcode message api是正常的，鹈鹕测试max思考20分钟左右，high只会思考8分钟左右
He110 08-13 09:47

9楼

ds 已经写了，是基于自家 Agent 跑分的，这玩意都没发布，分数有差异很正常吧
SC 08-13 09:48

10楼

我悟了, 先装糖阴友商一波, 等他们发新模型然后涨价再发好的 ^-^
邱埋葬楼主 08-13 09:48

11楼

这也差得太远了吧……也就是说，在AA榜的跑分机制下flash和pro平起平坐。
jerry wu 08-13 09:53

12楼

aa榜跟实际使用感觉差不多，感觉还打不过flash，这是什么屌pro ^-^
sxjeru 08-13 09:54

13楼

分数跟 flash 完全一样，可能是 api 模型调度有问题？
fengchris 08-13 09:54

14楼

静待ds调好

harness也一并出来吧
He110 08-13 10:03

15楼

等等看呗，站内之前有帖子，看起来可能之前 max 思考路由错了
快热的鸭皮 08-13 10:07

16楼

看到有帖子说有时候调用的是flash吧，不是调用pro，可能是有点问题，不可能评分这么低
酷睿哥 08-13 10:11

17楼

确实有问题，最终分数是58+，肯定强于Qwen3.8/Muse Spark 1.2

AA的分数只有53, 仅比Flash 0731的52仅高1分，肯定有问题，
很有可能是为了抬同期发布的Grok4.6，故意先压一下V4 Pro 0813, 毕竟是美国人搞的榜单 ^-^
当然也不排除是DeepSeek部署的问题，很多人反应Max思考比High还弱，
可以对比这个国人自己的榜单，用跑分计算的相对排名，比绝对分数更有参考性aHR0cHM6Ly9zdXlvdW1vLm…