GPT 5.6 Luna最新测评报告!打得过Deepseek V4 Flash吗?
发表于|更新于|大语言模型
GPT5.6 Luna 迎来大幅调价,性价比对标 DeepSeek V4 Flash,本期用统一测试用例与高思考深度完成完整实测:
- 推理与文本约束:默认中等深度输出语句生硬,切换高深度后文本约束效果明显提升,24 点、密码锁推理题全部答对
- 代码项目:浏览器桌面界面美观可用,太空射击游戏无法正常操作,3D 赛车体验尚可但左右按键反向
- Trello 看板:拖拽编辑功能齐全,新增拓展按钮无交互反应
- 综合结论:整体综合性能和 DeepSeek V4 Flash 不相上下,适合有低成本推理、前端开发需求的用户
两款热门平价模型实测对比看完就能分清适配场景。
相关推荐

2026-11-19
Deepseek vs GPT 测评对比!差距在哪里?
昨天用最新的准 Benchmark 3.0 测了 GPT 6.2 Astra 和 Sol,得分都不算高。有粉丝说测个国内的对比下,国内标杆我选 DeepSeek V4.1 Flash。还是 pi agent 接入,思考深度拉到最高,最后也会说下费用。 第一题强约束指令,加了字数和红楼梦人物开头的约束。句子都按 1 到 10 结尾、每句 9 个字,但只有第一句真正通顺,第 2、3 句勉强算,其他全部不通顺;对比 Astra 全对、Sol 5 句不通顺,DeepSeek 严格说 9 句、放宽 7 句。第二题鹈鹕土星环骑车,大方向没问题,但两个翅膀都扶在同一边、齿轮不对称且一半没有支撑、脚踏时远时近不像脚踏。 第三题复合弓射箭问题比 Sol 和 Astra 严重:整个人转身射箭、头和身体错位、手穿过脖子取箭、箭羽反了、箭是闪现出来的、复合弓滚轮根本没转。第四题浏览器 OS 有液态玻璃效果,但 Dock 图标右边像多了个别针;弹窗正常;万年历有节气、22 号小雪正常;终端不该有 border;太空射击飞机一直套着保护膜,不如 Sol 干净漂亮。 第五题去水印:水印大部分去掉了,但把...

2026-09-11
Deepseek V4.1 Flash正式版测评!究竟有多能打?
Deepseek V4.1 Flash 正式版实测来了!模型刚上线就惦记着测试,抽时间在 pi 平台开启测评,尽量降低 harness 带来的干扰,思考模式直接拉满开始测试。 推理能力测试 第一题 · 强约束指令句子生成:要求全部句子以「一到十」结尾,通读全部语句都通顺达标。 第二题 · 新版 24 点:要求给出三组解法,结果三组答案全都违规——数字重复使用,不符合「每个数字只能用一次」的硬性规则。 第三题 · 七位数密码锁推理:高难度推理题顺利算出正确答案。 编程项目测评 浏览器操作系统:桌面带有动态动画效果,还有精致小组件,弹窗、Dock 应用运行正常,可惜压轴太空射击游戏无法交互,差了最后一步。 3D 赛车游戏:让人眼前一亮,是这么多轮测评里完成度顶尖的作品,画面精致,车辆模型完整,整体效果非常惊艳。 Trello 看板:采用深色 UI,审美因人而异,卡片拖拽动画效果一般,其余基础功能都正常可用。 整套测试下来,24 点推理题和太空射击项目留下遗憾,但 3D 赛车的代码实现确实足够亮眼。大家怎么看待 Deepseek V4.1 Flash 正式版的这套实测表现...

2026-09-08
Deepseek V4.1 测评报告!究竟有多能打?
Deepseek 全新内测 v4.1‑flash 中间版实测来了!模型标识为 deepseek‑v4.1‑flash‑expires‑on‑0910,直接搬出祖传全套测试用例,在 pi 环境把思考模式拉满开启测评。 第一题强约束指令生成测试,句子结尾全部满足 1‑10 格式,仅有第七句语句不通顺其余表现尚可。 第二题新版 24 点需要输出三组解法,三个答案全部正确。 第三题七位数密码锁推理也成功算出标准答案。 来到编程能力测试,第四题精美浏览器操作系统出现桌面空白,推测背景图加载失败,弹窗与 Dock 栏功能正常,但太空射击游戏直接报错无法运行。 第五题 3D 赛车游戏完成度很高各项功能运行正常。 第六题零第三方库 Trello 看板界面中规中矩,列表、卡片的增删改拖拽全部可以正常使用。 整套测评下来浏览器操作系统项目拖了后腿,否则可以拿到更高分数,不过作为 flash 版本整体响应速度十分出众,大家对这个模型有什么想法欢迎评论区留言。 访问入口

2026-07-17
Deepseek V4 Pro新架构测评报告!能打吗?
DeepSeek V4 Pro采用了全新的模型架构,本视频对其进行全面的独立测评。新架构在推理效率、上下文长度和知识密度方面都进行了重大优化。通过大量实际测试,评估V4 Pro在编程、数学推理、长文本处理和多轮对话等核心任务上的表现,并与GPT-4、Claude Opus等顶级模型进行对比分析。

2026-11-18
GPT 6.2 Astra 增强版测评报告!
继续用还没敲定的下一版测试用例,这次测 GPT 6.2 Astra。前四题调高了难度、后两题替换;因为题还没定稿,成绩不会在博客的 Benchmark 上算分——我拿国内几个顶尖模型试过,分数都很低,上一期测的 Sol 也不算非常优秀。下面看 Astra 的表现。 第一题强约束指令遵循,这版加了字数和红楼梦人物开头。句子都按 1 到 10 结尾,9 个字没问题;虽然是古文味道,但都通顺,看来难不倒 Astra——相对来说 Sol 错了好几句。第二题鹈鹕土星环骑车 SVG,去掉转弯提示后,鹈鹕和自行车结构、转弯都没问题;单个翅膀扶车把在提示词里没限定,不算问题,硬挑只能说鹈鹕画得有点丑。 第三题复合弓射箭,靶子移动、限定箭数、取箭回首弯弓射箭都加上了;主要问题和 Sol 一样出在回首射箭,整个头 180 度转过来,身前变身后,非常恐怖。第四题浏览器操作系统,要求液态玻璃 UI 和万年历。UI 有液态玻璃效果;但日历高亮的今天下面有个点,通常代表有事件,却没有显示任何事件。Dock 里的万年历比 Sol 好,22 号小雪有正常显示;其他没问题。太空射击依然没 Sol 好,必须用...

2026-09-08
Deepseek V4.1 多模态测评!能打吗?
Deepseek V4.1 预览版多态实测来了!上一轮我们测试推理与编程能力,今天直接拿祖传多态测试用例检验图像能力,该模型暂不支持视频,所以只做图片测试。 首先传入《老无所依》电影截图片名询问影片名称,任务跑了二十多分钟,Deepseek Harness 浏览器几乎卡死,只能终止任务。过程中模型可以识别画面内容,但始终识别不出电影名字。换一张同影片简单截图,耗时五分钟多才成功识别出来。 接下来判断图片里对话亭相对黄色货车的方位,模型准确答出右侧,答案无误。 找不同题中,精确定位第一行第四列倾斜十二度,多观察能力可圈可点。再提升难度,统计画面里雄鸳鸯数量,雄性 5 只识别正确,雌性统计出错——把画面左侧的野鸭错误计入雌性鸳鸯数量。 原本准备两道视频测试题,受限于模型不支持视频输入无法开展。整体图片测试有亮点也有明显短板,大家觉得这个模型多模态水平到底如何…… 访问入口
公告




