🎮 面向游戏开发的基准测试 GameFeel Bench v1.4 榜单更新!
🔹 Qwen-4-Flash-Early(代号 hawk):49.9 分
🔹 Claude Opus 5.5:47.2 分
垂直工程能力拉满,小快灵模型的实用落地越来越卷了。
牛逼,希望能到 Opus5.5 的水平
🚨突发!DeepSeek V4.1 Pro疑似已经开始灰度,实测能力暴涨!
昨天DeepSeek服务突然中断,恢复之后,陆续有不少用户反馈V4 Pro的使用体验出现了明显变化。
我在LobeHub的私有评测集LobeBench Hard 50上,也检测到了非常明显的能力提升。
目前DeepSeek官网的V4 Pro,已经大幅超越此前的0813版本。
看下具体的成绩:
当前V4 Pro:64%,50道题通过32道,排名国产第一。
V4 Pro 0813:48%,50道题通过24道,排名第13。
直接提升了16个百分点,足足多通过了8道Hard级别的任务。
如果只看三次尝试中至少成功一次的比例,两个版本分别是82%和80%,差距其实很小。
真正拉开差距的是连续三次成功完成任务的能力。
顺道解释一下我们 @lobehub 这套私有评测主要考察模型在真实复杂Agent场景下,理解任务、调用工具、持续执行并最终完成工作的能力。
这次成绩变化,意味着当前版本在复杂任务上的执行稳定性有了非常明显的提升。
从实测结果来看,当前V4 Pro的能力确实已经发生了明显变化。











