Deepseek V4 如何能在编程排行榜上名列前茅，却依然落后前沿8个月？

这个模型有两个数字，它们之间并不协调。Pro 配置在几乎所有排行榜上的编程得分都接近顶部——SWE-bench Verified 上 80.6，LiveCodeBench 上 93.5。然后 CAISI 在多个领域对其进行评估，结论是它大约落后美国前沿八个月，大致相当于 GPT-5 的时代。DeepSeek 自己在发布时的表述是落后两个月，正好在当时的领先水平之后。相同的权重，截然不同的结论。我的理解是，两者都正确，只是测量的内容不同。编程排行榜是一个狭窄的切片，也是所有人最努力优化的切片，因此在那里获得高分只表明它编程能力强，并不能说明推理能力或代理能力。CAISI 将测试范围扩大，差距出现在网络安全和抽象推理方面。而且前沿并没有停滞不前——Fable 5 本周发布，不过那是一个封闭模型，你无法在自己的机器上运行。这是所有这些问题中的本地化角度。每个人引用的数字都是 1.6T Pro 配置，但这并不是我们大多数人实际运行的东西。当你使用 Flash 或适合你机器的量化版本时，你又离头条数字远了一步。对于在本地运行它进行代理工作的人来说，一旦量化并进行工具调用（不仅仅是完成代码），实际表现如何？来源在评论中。