Livebench.ai更新Deepseek V4 Pro&Flash成绩
- 内容介绍
- 文章标签
- 相关推荐
手机端刷到的，排版不方便截图见谅
省流：Deepseek V4 Pro 总分73.58，大致相当于GPT 5.3 Codex High，Deepseek V4 Flash 67.25分，大致相当于Claude 4.5 Sonnet Thinking
LiveBench
网友解答：--【壹】--：
看起来deepseek数学和数据分析比较突出
--【贰】--：
没啥好说的
这榜单确实符合体验
希望后面好好打磨把
--【叁】--：
确实不稳定，但是如果开启MAX + V4 PRO + 1M上下文，效果略好，但是部分角色扮演提示词一定不要有，一定不要有，稍微加一点就变蠢了，我这种低全局提示词的反而发挥特别稳定（论坛有大佬发了文章，我让同事试了一下，的确如此）
--【肆】--：
我用来审论文、改论文，效果也很不错，聪明文笔不差
--【伍】--：
不知道后续是否会推出dsv4-coding 版,这样就能有便宜的模型用了
--【陆】--：
这个能力加上这个价格, 还有什么好说的，真香。
--【柒】--：
补一张图，省流一下：
image1996×905 49.8 KB
国模对比
image1981×800 51.7 KB
--【捌】--：
这么一看隔壁Arena纯野榜，我主观觉得LiveBench这个是最相对来说最符合实际编程体验的
GPT5.4和5.5在很多问题上确实会比Opus好很多（主要是心细）
--【玖】--：
这个更贴合实际体验一些，包括coding能力有待加强这方面。不过语言单项分比不过GPT5.3 codex还是比较迷，是稳稳接住更富有文学气息吗？
--【拾】--：
看来我需要把你是Linus从系统提示词中去掉了
--【拾壹】--：
佬，这篇文章可以稍作指路吗，想去拜读一下
刚看到下面的回复，谢谢佬，好像和我昨天看到那个一样
--【拾贰】--：
整体表现作为开源模型确实可以了，不过看子项，coding还是明显偏弱了，结合最近L站看到的，更倾向于不稳定，有的时候表现好，有时候拉，从而拉低了分数
--【拾叁】--：
我大概明白了为什么Deepseek v4 有时候不遵循指令 - 搞七捻三 - LINUX DO
--【拾肆】--：
这个分数很可以了，再加上长上下文和召回率，大有可为。就是希望价格可以再降一些，如果恢复原价，不太用得起
--【拾伍】--：
Arena 没有客观测评，纯用户主观打分。更谄媚的态度有利于获得更高的分数
--【拾陆】--：
666居然还有这种操作，收藏了，以后玩酒馆的时候试试
--【拾柒】--：
对比3.2提升也不少，新底模有了，后续继续改进还能继续提升
--【拾捌】--：
整体榜单我感觉符合真实coding体验，但是kimi是真的不敢苟同，和GLM5.1差的实在是太多了了，同样的任务，GLM5.1完成度很高，但是kimi是真的不能看
minimax2.7的coding只有59，哈哈哈哈，比2.5还差，2.5没用过，但确实比kimi还要差是真的，毕竟模型大小摆在这
deepseek4pro为啥不针对性提高coding呢，我感觉这个智商在这，针对coding训练下，大有可为啊
--【拾玖】--：
佬方便发一下你说的论坛里这篇文章的链接嘛？我也去看看
手机端刷到的，排版不方便截图见谅
省流：Deepseek V4 Pro 总分73.58，大致相当于GPT 5.3 Codex High，Deepseek V4 Flash 67.25分，大致相当于Claude 4.5 Sonnet Thinking
LiveBench
网友解答：--【壹】--：
看起来deepseek数学和数据分析比较突出
--【贰】--：
没啥好说的
这榜单确实符合体验
希望后面好好打磨把
--【叁】--：
确实不稳定，但是如果开启MAX + V4 PRO + 1M上下文，效果略好，但是部分角色扮演提示词一定不要有，一定不要有，稍微加一点就变蠢了，我这种低全局提示词的反而发挥特别稳定（论坛有大佬发了文章，我让同事试了一下，的确如此）
--【肆】--：
我用来审论文、改论文，效果也很不错，聪明文笔不差
--【伍】--：
不知道后续是否会推出dsv4-coding 版,这样就能有便宜的模型用了
--【陆】--：
这个能力加上这个价格, 还有什么好说的，真香。
--【柒】--：
补一张图，省流一下：
image1996×905 49.8 KB
国模对比
image1981×800 51.7 KB
--【捌】--：
这么一看隔壁Arena纯野榜，我主观觉得LiveBench这个是最相对来说最符合实际编程体验的
GPT5.4和5.5在很多问题上确实会比Opus好很多（主要是心细）
--【玖】--：
这个更贴合实际体验一些，包括coding能力有待加强这方面。不过语言单项分比不过GPT5.3 codex还是比较迷，是稳稳接住更富有文学气息吗？
--【拾】--：
看来我需要把你是Linus从系统提示词中去掉了
--【拾壹】--：
佬，这篇文章可以稍作指路吗，想去拜读一下
刚看到下面的回复，谢谢佬，好像和我昨天看到那个一样
--【拾贰】--：
整体表现作为开源模型确实可以了，不过看子项，coding还是明显偏弱了，结合最近L站看到的，更倾向于不稳定，有的时候表现好，有时候拉，从而拉低了分数
--【拾叁】--：
我大概明白了为什么Deepseek v4 有时候不遵循指令 - 搞七捻三 - LINUX DO
--【拾肆】--：
这个分数很可以了，再加上长上下文和召回率，大有可为。就是希望价格可以再降一些，如果恢复原价，不太用得起
--【拾伍】--：
Arena 没有客观测评，纯用户主观打分。更谄媚的态度有利于获得更高的分数
--【拾陆】--：
666居然还有这种操作，收藏了，以后玩酒馆的时候试试
--【拾柒】--：
对比3.2提升也不少，新底模有了，后续继续改进还能继续提升
--【拾捌】--：
整体榜单我感觉符合真实coding体验，但是kimi是真的不敢苟同，和GLM5.1差的实在是太多了了，同样的任务，GLM5.1完成度很高，但是kimi是真的不能看
minimax2.7的coding只有59，哈哈哈哈，比2.5还差，2.5没用过，但确实比kimi还要差是真的，毕竟模型大小摆在这
deepseek4pro为啥不针对性提高coding呢，我感觉这个智商在这，针对coding训练下，大有可为啊
--【拾玖】--：
佬方便发一下你说的论坛里这篇文章的链接嘛？我也去看看