DeepSeek V4实测：长上下文与代码能力不及预期，低价成核心优势

事件概述

DeepSeek V4正式发布后，经实际场景测试发现，其在长上下文处理精度、代码生成稳定性及响应速度方面存在明显短板，未能达到部分市场预期。然而，凭借极具竞争力的定价策略，该模型在特定应用场景下仍保持吸引力。

核心测试结果

1. 长上下文处理能力有限

• 有效长度不足：在百万字小说（约900页）中插入标记的“大海捞针”测试中，DeepSeek V4仅在文本长度缩减至约10万token（全文1/10）时能较准确定位目标；随着文本长度增加，错误率显著提升。
• 幻觉率高：在完整百万字文本中，模型无法准确统计标记总数或定位位置，甚至出现将第3个标记误判为第4个等低级错误。业内普遍认为百万上下文中有效内容通常不足1/4，V4的表现与此认知一致。

2. 编程能力表现不稳定

• 简单任务尚可：能完成2048小游戏等基础任务，但存在初始化错误等低级问题。
• 复杂任务受阻：
  • 网页版Excel：首次尝试直接白屏，需人工辅助规划才能修正；纯自主执行耗时近30分钟，仍存在对齐失效等小错误。
  • 3D乐高软件：虽能生成基本框架，但缺失零件选择功能，且修复提示无效。
  • 树生长动画：表现优异，画面美观度较高。
• 协作模式更优：在Claude Code框架下，若由GPT-5.3等顶级闭源模型负责规划，再由DeepSeek V4执行，可大幅减少错误并提升效率。

3. 响应速度与效率瓶颈

• 思考时间过长：实现康威生命游戏（Conway's Game of Life）虽质量高，但耗时分钟级，远慢于GPT-5.3的“瞬间生成”。
• 代码修正成本高：在复杂案例中，约1/3至1/2的时间消耗在代码修正环节，严重拖慢整体流程。

4. 性价比优势显著

• 成本极低：四个测试任务的API总成本约为8元人民币。
• 模型对比：Pro与Flash模型调用次数相当，但Flash模型的Token消耗量低一个数量级，进一步降低了使用门槛。
• 官方定位：官方技术报告已坦承与顶级闭源模型存在差距，本次更新旨在缩小差距而非全面超越。

结论

DeepSeek V4目前尚不具备独立主导复杂编程任务的能力，其长上下文有效性边界模糊且幻觉风险较高。但在“规划者（闭源模型）+ 执行者（DeepSeek V4）”的混合架构下，结合其低廉的价格，该模型在成本控制敏感的场景中仍具备实用价值。