DeepSeek V4发布：表现平平与榜单解析

DeepSeek V4 终于发布了。此前，其发布日期一再推迟。在4月22日正式发布后，其效果却非常一般。我们可以参考一份全面的 Coding Benchmark 榜单，该榜单由拉西辆公布，并于4月24日，即DeepSeek V4发布后不久进行了测试。此次测试涵盖了包括 DeepSeek V4、ChatGPT 新发布的 GPT-5.5、以及中国月之暗面发布的 Kimi 2.6 在内的多个模型。

该Benchmark包含一系列测试指标，在综合跑分中，共有6个模型达到了A档。其中，Claude Opus 4.7 位列榜首，其次是 Claude 5.4 和 GPT 5.4，GPT-5.5 排名第三。紧随其后的是月之暗面的 Kimi 2.6（第四名）、Claude Opus 4.6（第五名）和 Gemini 3.1（第六名）。令人意外的是，DeepSeek V3 排名第七，与 Claude Sonnet 4.6 持平。而智谱的 GLM-4 Pro 甚至不如 GLM-4 Flash，仅排第十名，且只达到B等级，表现糟糕。在所有中国模型中，唯一进入A等级的是月之暗面的 Kimi 2.6。

在此次发布中，DeepSeek V3 并未像2025年年初 R1 发布时那样令人惊艳。2025年初 R1 发布时，其卓越的 Reasoning Model 能力获得了广泛认可，被认为与 GPT 体验相近，生成的文本质量极高。然而，对于此次 DeepSeek V4，许多用户可能会感到平淡，甚至不知所云。

中国AI的时代终结：从GPT-5.5谈起

我将用一个非常负面的词汇来形容此次 DeepSeek V4 的发布：这标志着中国AI模型一个时代的结束。

几乎同时，ChatGPT 发布了 GPT-5.5。尽管名称上只比 GPT-5.4 前进了一点点，但 GPT-5.5 实际上是一个全新的模型，即 ChatGPT 所谓的 Spot，一个全新预训练的 大模型（Large Language Model: 基于海量文本训练的AI系统）。大模型的预训练通常意味着从零开始或进行大规模的持续增量训练。

回顾 ChatGPT 的发展历程：

• GPT-3：最初令人印象深刻。
• ChatGPT：以对话式AI形式呈现。
• GPT-4：实现了巨大飞跃，带来了完全不同的用户体验。
• GPT-4.5：一次失败的预训练尝试，效果不佳，其API也很快退役。该版本代号为 Orion，当时 OpenAI 虽宣称其为“最大模型”，但用户普遍感受不到显著差异。
• GPT-5：并非基础模型的重新训练，而是在 Reasoning Model 上的巨大飞跃，尤其是在 Mixture of Experts（MoE: 混合专家模型）方面。

因此，GPT-5.5 才是真正意义上重新预训练的成功，是 Spot 模型的首次大规模新预训练，并且是一次成功的预训练。为什么说它成功？尽管在刚才的榜单中，GPT-5.5 排名第三（GPT-5.4 排名第二），但其亮点在于显著降低了 Reasoning 所需的资源，同时实现了与 GPT-5.4 相当甚至更好的结果。之前，使用 GPT Pro 运行 GPT-5.4 的任务平均需要30分钟，而 GPT-5.5 则可缩短至六七分钟。这意味着 GPT-5.5 不仅能提供高质量结果，成本也远低于 GPT-5.4。GPT-5.5 之所以不叫 GPT-6，是因为其基本参数并未大幅飞跃，但已在现有参数基础上实现了更优效果，堪称一次极为成功的迭代。需要指出的是，GPT-4o（Omni: 多模态、全能）才是真正的多模态模型，而非 GPT-4。

AI发展三阶段论：中国AI红利期的兴衰

为了理解 GPT-5.5 对 DeepSeek 的冲击，我将AI发展历程分为三个阶段。

AI发展第一阶段：规模效应主导（2020年-2024年上半年）

这一阶段从2020年 GPT-3 发布开始，历经 ChatGPT，直至划时代的 GPT-4。它证明了 Scaling Law（规模效应: 增加训练时间、扩大参数量即可大幅提升模型效率和结果）的有效性。只要投入更多算力、更多数据，就能显著提升模型表现。GPT-4 便是这一理论的明证。在此阶段，中国AI参与较少，直到 DeepSeek V3 于2024年末、R1 于2025年1月发布，中国模型才真正加入战场。

AI发展第二阶段：推理与Agentic范式（2024年三季度-2025年全年）

2024年三季度至2025年全年是第二阶段，特点是预训练的 Scaling Crisis（规模化危机）。自2024年5月 GPT-4o 发布后，ChatGPT 在预训练方面似乎进入了一个问题时期，转向了 Agentic Reinforcement Learning（智能体强化学习）。例如，2024年9月推出的 ChatGPT o1 是第一个 Reasoning Model（推理模型），它在 GPT-4 的基础上实现了推理能力，其 Chain of Thought（思维链: 模型通过一系列中间步骤进行推理）能力令人惊艳。尽管其基础模型（Base Model）无大进展，但展现了卓越效果。

GPT-4.5（2025年2月发布）的 Base Model 失败，其API在五个月后退役。从2024年9月起，Reasoning Model 成为主导。DeepSeek R1（2025年1月发布），其名称中的“R”即代表 Reasoning，是中国模型在2025年大爆发的代表。许多耳熟能详的中国大模型如 通义千问、Kimi、智源 等，在2025年纷纷涌现并取得了优异成绩，它们大多是 Reasoning Model。

Reasoning Model 成功的一个关键原因是其高度可 蒸馏（Distillation: 将大型复杂模型的知识转移到小型模型中）。这意味着即使基础模型（如 DeepSeek V3）表现较差且存在严重幻觉问题，通过结合优秀的思维链，也能产出好的结果。这种思维链是纯文本，可以通过大规模拷贝并作为奖励模型（Reward Model）进行训练，使其变得与源模型类似。例如，开源社区中，用 通义千问 蒸馏 Claude 的思维链已能取得良好效果。

因此，第二阶段对于中国模型而言是一个红利期：

1. 技术路线红利：即便基础模型稍逊，结合优秀的 Reasoning 也能产出好结果。
2. 实现红利：思维链可大规模拷贝进行蒸馏。

这使得中国模型在2025年百花齐放，取得显著成就。

从2025年下半年开始，Agentic（智能体: 能自主规划、执行复杂任务的AI系统）范式兴起，如 Claude Code 普及并成为强大的编程智能体。Agentic 与 Reasoning 的最大区别在于，Agentic 不仅依赖 prompt（提示: 引导模型行为的输入文本）和思维链，还依赖于一个 Harness（外部辅助系统: 围绕基础模型提供外部工具、文档、程序等支持）。Anthropic 的 Harness 称为 Claude Code，而 OpenAI 的则为 Codex。

Agentic Model 同样可以蒸馏，但比 Reasoning Model 难度更大，因为并非所有数据都可直接获取。然而，2026年 Claude Code 源代码的意外泄漏，为中国企业提供了学习和模仿的机会。即使在此之前，许多中国企业也已通过各种方式蒸馏 Agentic Model。目前，许多中国企业发布的是针对 Agentic Model 优化的模型，例如 Kimi 2.6 和 智源 的模型。

AI发展第三阶段：预训练规模效应重获主导（2026年至今）

进入2026年，预训练的 Scaling Law 重新被证明有效。两个关键事件是 ChatGPT 5.5 的发布和 Anthropic Mysus（代号“水豚”）的出现。GPT-5.5 证明了 OpenAI 成功进行了新的预训练。Anthropic 则从 Claude 3（2024年3月）到 Claude 4（2025年5月），再到 Mysus（2026年4月），几乎每12个月推出一个新模型，其预训练过程非常顺利，甚至在某些方面超越了 OpenAI。GPT-5.5 和 Anthropic Mysus 的成功共同证明了 Scaling Law 仍然有效，且预训练是最根本的。

这对于中国AI而言是个不利消息。第二阶段的成功依赖于“稍弱的基础模型 + Reasoning”或“稍弱的基础模型 + Agentic”来取得良好效果。然而，第三阶段又回到了最开始，即一个强大的 Base Model 自身就具备强大的泛化和衍生能力，不再过度依赖 Reasoning 或 Agentic 层。虽然 Agentic 部分已融入训练过程，但一个卓越的 Base Model 结合 Reasoning 和 Agentic 将更强大。

这种趋势对中国企业不利，因为预训练需要极大的算力（Compute Power）和海量的模型参数（Parameters），而中国在这些方面并不处于领先地位。例如，中国尚未能大规模采购 H200 显卡。尽管中国公司可以通过各种途径获取先进的 Nvidia 显卡进行训练，但平滑、高效的算力堆叠仍不如 Anthropic 和 ChatGPT 顺畅。

从2026年开始，以 GPT-5.5 和 Mistral 为代表，预训练的 Scaling Law 重新运作。这意味着中国不能再依靠较弱的 Base Model 取得好效果。例如，DeepSeek V2 仍然存在严重的幻觉问题，其表现甚至不如半年前的 Claude 和 ChatGPT 版本。2025年中国与国际模型的距离曾一度拉近，但随着对 Base Model 竞争的回归，这一差距可能会逐渐拉大。

Claude 和 OpenAI 在2026年选择了相同的路径：削减不必要的消费级应用扩展，全力保障企业研究和 Base Model 的发展。他们认为，在当前阶段，过度投入消费级应用价值不大。虽然 OpenAI 发布了新的图片模型，但其原理与文本模型相似（图片生成下一个像素，文本生成下一个词元），都属于 Base Model 的范畴。相比之下，字节跳动的 Seaweed 等模型，若要从图像或文本转换为视频，则并非典型的 Transformer 模式，其中包含大量为消费级优化进行的 Fine-tune。

目前，最新的战场是如何通过 Scaling Law 堆叠出强大的 Base Model。将大量资源投入消费级应用而导致 Base Model 落后，实属不智。中国企业如字节跳动的 豆包 和 Seaweed 在消费级应用上表现出色，拥有庞大的用户基础。但如果 AI 的能力边界远未触达，过早专注于消费级应用可能会局限于市场需求，而无法成为推动 AI 发展最远的公司，也不是中国当前发展 AI 能力最需要的方向。

总结：Base Model差距与中国AI的抉择

AI 的三个阶段：

1. 2020年-2024年上半年： GPT-3 到 GPT-4 阶段，由预训练的 Scaling Law 主导。
2. 2024年三季度-2025年全年： OpenAI 预训练遭遇挫折，Scaling Law 受质疑，Reasoning Model 兴起，是中国AI的红利期。
3. 2026年至今：预训练的 Scaling Law 重新被关注并取得良好效果，同时 Agentic 范式并行发展。

尽管 Agentic Model 仍可蒸馏，但难度更高。未来最大的差距将在 Base Model 层面拉开。2025年，除 Claude 以外，Base Model 的差距并未显著扩大，但从现在起，这一差距可能将加速拉大。

中国公司目前有多条路径：

• 通义千问 等已实现了不错的 多模态 Base Model。
• DeepSeek 拥有不错的 Base Model，但尚未实现多模态。
• 一些公司专注于 Agentic Model，如 Kimi 2.6 和 智谱 的 GLM5。

Agentic Model 确实具有商业化潜力，尤其在 Coding 等可程序化验证的任务中，易于通过后训练（Post Training）将一个普通 Base Model 优化为 Agentic Model。这是一种训练捷径，能帮助企业在特定应用上取得不错表现。但这条“狭窄路径”（Narrow Path）无法产生泛化的新能力，也无法实现迁移能力。

DeepSeek 此次发布仍强调其节省算力的优势，表明其在“便宜”市场定位。然而，AI的核心市场如信息安全、科学研究、企业大型项目编程等都是高利润领域，这些领域会选择最好的模型，而非仅仅最便宜的。这意味着小型模型或成本导向模型的边际效益将非常弱。

对于中国的开源模型而言，挑战巨大。 阿里 最新版 通义千问 3.6 已转为闭源，因为开源模式难以盈利。OpenAI 和 Anthropic 每年收入数百亿美元，而中国企业仅数千万至数亿美元。若持续开源，缺乏收入将限制算力投入和新模型训练能力；若转为闭源，则失去开源优势，且与顶尖模型仍存在差距。这使得中国企业面临艰难的抉择。

总而言之，第三阶段对 Base Model 的重新投入，对算力和参数不具备优势的中国企业不利。我提出的“三阶段论”——第一阶段为 Pre-Train 验证期，第二阶段为 Reasoning 红利期，第三阶段为 Pre-Train 加 Agentic 期——说明了中国AI通过“较弱 Base Model + Reasoning + 蒸馏”快速追赶的黄金时代已结束。Base Model 差距的扩大以及 Agentic 蒸馏难度的增加将成为巨大障碍。随着算力等问题，中美AI差距可能进一步拉大。