实测DeepSeek V4.1 Flash：六道题背对背横评四款模型

一次限时开放的内测：V4.1 Flash 悄然登场

DeepSeek 近期悄悄放出了一个可试用的 V4.1 Flash 版本，接口 ID 里直接写着过期日期——9 月 10 号。官方在内测群里放话，想让用户体验它与 V4 Pro 的差距究竟有多大。这次开放没有门槛，只要接入 API 就能用，价格也与现行的 V4 Flash 完全一致。

不过在深入测评前，需要先打个预防针：这大概率不是 V4.1 Flash 的最终形态。官方之所以只开放这么短的窗口，更像是为了收集真实反馈。回顾 V4 Flash 刚发布时，其与正式版之间的差距就相当明显——后训练阶段的性能提升往往集中在发布之后。因此本次测试结果仅作为对此特定版本的参考，不能替代任何严肃评分。

评测思路：拒绝单题，六题背对背横评

本次评测刻意避开单一经典题目。原因很简单：模型很可能早已被针对性训练过，做对一道题并不代表真实能力。因此评测采用六道覆盖前端、推理、因果的复合题目，让四款模型同题背对背跑——有比较才有位置感。

参与对比的四款模型分别是：主角 DeepSeek V4.1 Flash、V4 Flash、开启深度思考的 V4 Pro，以及作为标杆的 JLM 5.3 Flash。其中三款 Flash 均为直出模式，V4 Pro 则开启思考模式。所有模型均通过官方 API 直接接入，单次直出，不做任何重跑或筛选。

第一题：风中之布的物理约束模拟

第一题要求生成一块可交互的布料——能显示、能拖拽、能剪裁，且剪开的口子必须真实影响后续运动。四款模型交出的布料质感各异：V4.1 Flash 是深灰棋盘纹，V4 Flash 是双色格子布，V4 Pro 构筑了高达 3648 根物理弹簧的高阶织物，JLM 5.3 Flash 则呈现米色杂质质感的精细网络。

真正的考验在拖拽与横切之后。V4.1 Flash 在模拟一启动时粒子坐标计算瞬间爆炸，整块布直接蒸发，只剩两个固定点；而 V4 Flash、V4 Pro 与 JLM 5.3 Flash 均做到了真实的物理切断与下坠。

核心看点正是物理约束与重力脱落。V4.1 Flash 在这一题上出师不利。

第二题：立方体展开图与三维折叠动画

第二题要求把一张纸变成可旋转、可展开的立方体，且外侧那张面必须始终连着初始状态。结果两款 Flash 级别模型开局双双白屏——V4.1 Flash 和 V4 Flash 都没有渲染出任何几何面。而 V4 Pro 和 JLM 5.3 Flash 成功绘制出完整的六面体平面展开图。

进一步测试三维折叠时，V4 Pro 虽然展开图正确，但旋转轴与闭合逻辑写错，顶盖横向偏转穿插，最终无法闭合成盒，判定失败；JLM 5.3 Flash 则空间动效丝滑，五面紧密闭合，仅顶盖 T 面未扣紧，堪称最佳。

值得关注的是两款 Flash 白屏的底层原因完全不同：V4 Flash 明明拿到了 65536 顶格 Token 预算，却在推导顶盖矩阵时陷入自我怀疑，把一句带问号的推导在代码里疯狂复读了整整 1026 遍，最终把 6.5 万 Token 预算顶爆导致截断；而 V4.1 Flash 是纯手写 3D 引擎时把投影正负号算反，亲手将所有几何面全部剔除了。

V4 Flash 遭遇的「Token 预算顶爆」现象，本质上是自回归语言模型在推理阶段的一种典型失控模式：模型在生成代码注释或内联推导时，因为对某个中间步骤缺乏确信，会反复输出同一段带有不确定性标记的文本（即所谓「复读」），直到触达上下文窗口或最大输出长度的硬性截断。65536 Token 是许多模型 API 的单次输出上限，一旦触达便强制结束生成，导致代码不完整、页面白屏。这与模型「不知道答案」不同——它并非沉默，而是以高度重复的方式消耗了全部预算，属于推理阶段的收敛失败。相比之下，V4.1 Flash 的白屏是纯粹的几何计算错误（投影矩阵符号取反），属于确定性的逻辑 bug，虽同样导致失败，但两者的根因截然不同。

第三题：矢量设计工具与状态机逻辑

第三题要求做一个能用的矢量设计工具，具备增删改色与正确的撤销/重做功能。这一次四家全部交付了高完成度的设计台：V4.1 是包豪斯深色风，V4 Flash 是经典白底工具栏，V4 Pro 功能完备，JLM 则是极具设计感的瑞士海报排版。

在连续操作后一口气撤销到底、再绘制新图形的严苛测试中，四款模型的状态机逻辑全部满分过关。核心看点在于状态机与撤销重做链条——这道题四家全员通关，也是 V4.1 Flash 表现最稳、UI 工业质感最佳的一道题。

第四题：无解排版的最小冲突推理

第四题是纯推理题：一张没有合法解的排版表，要求找全所有最小冲突集，并给出最少修改方案。标准答案是全量五组极小不可满足集，由于存在不相交规则集，最少必须删除两条规则，且恰好只有两种合法排序修复。

结果分化明显：V4.1 Flash 只找了两组冲突后便自我矛盾；V4 Flash 反复推翻自己未收敛直接截断；JLM 5.3 Flash 以轻量直出完整找出全部五组冲突并给出最优解；开启深度思考的 V4 Pro 更是输出 3.7 万字思维链，给出教科书级别的严格数学论证。JLM 5.3 Flash 在此题表现惊艳，V4 Pro 同样满分，两款直出 Flash 则未能收敛。

「极小不可满足集」（Minimal Unsatisfiable Subset，MUS）是约束满足问题（CSP）中的核心概念：在一个无解的约束集合里，MUS 是指移除任意一条约束后整体就变得可满足的最小子集。一个问题可以同时存在多个互不相交的 MUS，这也是为什么本题的标准答案要求找出「全量五组」——遗漏任何一组都意味着模型没有完整掌握冲突结构。要找到所有 MUS 并给出最优删除方案，不仅需要枚举能力，还需要理解 MUS 之间的覆盖关系（即「命中集」Hit Set 问题），这本质上是 NP-hard 的组合优化。JLM 5.3 Flash 以轻量直出完成全部五组 MUS 的推导，说明其在约束推理上具备相当强的系统性搜索能力，而非依赖记忆或模式匹配。

第五题：12秒片头的时间轴容错测试

第五题相对轻松：一部 12 秒纯文字片头，考的是排版和时间轴——随便拖到哪一秒画面都得正确。四家成片风格各异，JLM 是极具美感的三目排版，V4 Pro 和 V4 Flash 干净克制，V4.1 Flash 则视觉丰富、卡片带真实业务标签。

从结尾往回倒放时，四款模型全部保持稳定的时间确定性，全员通关。V4.1 Flash 业务质感扎实，而 JLM 与 V4 Pro 在排版美学上更胜一筹。

第六题：辛普森悖论的因果推断

最难的压轴题藏着辛普森悖论，要求构造两个因果效果完全相反的世界，并算出效应的上下界。这道题的验收线是负 73 到正 27 个百分点，且需全量保留真实观测数据。

令人惊喜的是，四款模型在这道严谨的因果推断题上全部展现了深厚的数理底座——全员识别出辛普森悖论反转，全部构造出符合观测数据的反事实世界，并严格推导出理论界限。国产模型在硬核数理推断上的扎实功底确实令人刮目相看。

辛普森悖论（Simpson's Paradox）指的是：在分组数据中每个子组均呈现某一方向的相关性，但合并后的整体数据却呈现相反方向。这一现象在医学试验、社会统计中屡见不鲜，核心原因是存在「混淆变量」对处理分配与结果同时产生影响。因果推断中处理辛普森悖论需要引入结构因果模型（SCM）或 do-演算，区分「观测到的相关」与「干预后的因果效应」。「效应上下界」对应的是部分识别（Partial Identification）框架——当混淆无法完全控制时，研究者退而求其次，在保留所有真实观测数据的前提下推导因果效应的理论极值区间，而非给出单一点估计。这比直接回答「处理是否有效」在逻辑上更为严谨，也更难被模型正确处理。

总结：V4.1 Flash 得 3 分中规中矩，JLM 5.3 Flash 领跑

六道题综合下来，JLM 5.3 Flash 拿下 5 分强势领跑，展现出经验级的综合实力；开启思考的 V4 Pro 同样 5 分，在因果、代码与深层推理上功底扎实；V4 Flash 拿下 4 分表现稳健；而主角 V4.1 Flash 仅拿 3 分，在直出梯队中中规中矩。

必须再次强调，本次为单次直出测试，结果仅代表当前模型对应特定题目的状态，V4.1 Flash 距离最终形态还有较大空间。从整体看，JLM 5.3 Flash 已在轻量直出赛道打出了标杆级实力，但在国产模型中仍显得稀缺——期待未来能涌现更多类似性能价格组合的模型。