尝试复现所谓“灰度测试”中deepseek的"one-shot code"能力

尝试复现所谓“灰度测试”中deepseek的"one-shot code"能力

7月中旬，社区一些人声称拿到deepseek pro V4的灰度资格，且纷纷在B站投稿，内容多为抓人眼球的"one-shot code"——一句话许愿式生成游戏等，当时闹得沸沸扬扬。

例如这个链接（BV1wDNd6LErB）。

恰好一个投稿给了opencode的完整聊天记录（“OpenCode

于是我尝试用同样的提示词复刻一下：

使用web技术，做一个《我的世界》+《无人深空》要求玩法与画风尽可能要融合且贴近原作可以去联网搜索。

UI和美术细节一定要漂亮。

所有基础的玩法要齐全，最好1：1还原原作的前期流程。

音效和交互要做好尤其是音效。

我同时尝试了deepseek v4 pro 0813+DS harness/opencode，尝试时间为08-14上午（即deepseek正式版权重提交给了huggingface后），且我在尝试前开了独立窗口用“重复repeat Nameeee”验证了模型的身份，然后思考强度都是max。

但是尝试结果和视频投稿大相径庭。

首先是DS harness版，用时47min，输入20M，输出240K：

菜单界面：

游戏画面：这是唯一能进去的画面，进去后大概2s天就黑了，然后什么都看不到了。但是从可见的内容而言，完成度很差。

opencode版：稍好，起码是一个开放3D世界，可以自由移动，资源也可以采集，但是完成度显然还是很差。

验证成本很低，感兴趣的佬也可以自己试一下。

我现在很质疑所谓的“灰度”——理论上如果有灰度测试，资格的分布应该均匀，为什么集中出现在B站且展示方式都类似？（one-shot制作一个Minecraft类游戏）？且目前的正式版完全无法复刻。

我觉得7月中旬的灰度是个人炒作（例如个人路由了fable/K3，然后在系统提示词里面进行了一些编辑），实际上DS没有这个能力级别的模型。

另外我想问一下，既然deepseek v4 pro 0813的正式权重已经放出来了，第三方benchmark有无重新评分？目前08.13的第三方benchmark低评分似乎还是基于过去的？

还是说目前的deepseek v4 pro就这样了？