DeepSeek V4 Flash正式版基准亮眼，我也特别希望看到它能快速进步（其他家涨价、Tokens 少、套路多）！
但实话实说，实测结果还是不太理想！
昨晚我测试了一波，有好几个例子语法验证都没过就交差了，有一个做了一个多小时，依旧有基础错误。总体来说，上限还是很低，但时间变长了很多。可能是我的题目对它来说超纲了，不再它优化范围内。
因为 V4 Flash 没有视觉能力，像"Jarvis 的车库"这种需要参考图片进行 3D 建模的题目，我就直接放弃了。
今天主要是测了以下几个题目：赛博朋克版清明上河图、天文机械表、坦克大战、超级玛丽、3D 台球！
我就一个个给大家看一下结果，以及过程中的一些细节！
赛博朋克版清明上河图
这个题目是把清明上河图的内容和赛博朋克的风格融合在一起，不光考验模型的基础能力，还考验它的理解力、想象力，以及审美、构图、空间感。目前表现出众的只有 Claude 家的模型，然后就是 GLM 5.2 和 Kimi K3。
V4 Flash 的结果如下：
这个例子的交付总结如下：
总共用了 14 分 46 秒！
它这个页面最大的问题是太混乱了，空间感太差，里面的一些元素其实还是相对成型的，里面也有人物、烧烤摊、汽车、飞行器。还搞了一个汴京早报，也算是有点意思。但是我为啥有种狗皮膏药广告满天飞的感觉！
没有太多可以讲的地方~
继续下一个！
2、天文机械表
这个题目是全新设计的，这个题目的难点是里面有各种烧脑的功能点，脑子稍微差一点的就会顾此失彼，导致注意力不集中，最后只能完成部分工作。
完整的题目如下：
markdown
用单个 HTML 文件实现一只机械腕表风格的天文时钟，纯原生实现，不许使用任何库、框架或 CDN。要求：
1. 主表盘读取本地系统时间，秒针平滑扫秒，使用 requestAnimationFrame 驱动，且长时间运行不得累积漂移；切到其他标签页再切回来时，指针必须立即校准到正确时间。
2. 包含一个月相小表盘，根据当前日期计算并显示月相连续变化，公式需要自行实现，精度要求误差控制在 1 天内。
3. 包含一个可用的计时码表，通过子表盘指针显示，支持开始、暂停、继续、归零与计圈（lap），按钮在任意顺序点击都不能出现状态错误。
4. 日期窗显示当前日期，正确处理大小月与闰年。
5. 包含昼夜 / 日出日落指示，用户可在三到四个预设城市之间切换，并根据经纬度现场计算当地日出日落时刻。
6. 页面需要响应式，并尊重 prefers-reduced-motion：开启时秒针改为跳秒并关闭装饰动画；同时为各表盘补充 ARIA 标注。
7. 整体视觉要像一只真实的高级腕表，而不是普通练习作业。
只输出最终代码，不要解释。核心要求如下：
结果如下：
样式还挺不错的，但是表盘没有显示出来！
没显示的核心原因是代码出错了：
javascript
Uncaught TypeError: Cannot read properties of null (reading 'addEventListener')一般来说，我都是一次测试，不过就是不过。这次我给了它一个机会，修复了一下。
结果如下：
修复之后终于显示出来了！
我试了一下，这里面其他功能，月相，计时器，日期，地区时间这个功能应该都是对的！最大的问题是核心表盘布局崩了。
然后我们看一下它的开发过程：
它大概是想了 10 分钟，然后写了 7 秒，语法检查 2 秒，逻辑检查 7 秒！
总共花了 18 分钟，这个时间不算短。
从过程中也可以看到它确实有验证语法和逻辑的环节了。这就是公告里说的智能体能力增强吧。
核心逻辑上确实上没有太大问题！
奇怪的是，它明明有语法检查的过程，但是还是没有检查出这个 JS 的错误。
另外布局太差了！
总的来说脑子是有点的，但是结果还是差强人意，主要是直接报错和布局混乱，这看起来很糟糕。
3、坦克大战
创意和脑子考完了，下面来考考它的游戏制作和复刻能力。第一个题目是坦克大战。这个经典游戏在视觉上并不复杂，重点是地图、道具、玩法。
开发结果如下：
又报错了，报了个 Null ~~ 我还能说什么呢？
我们看看它的开发过程和时间消耗：
从报告来看，它应该是抄到代码了，而且也理解了这个规则，一切都非常清晰。
为了保证能正常通过每个关卡，做了平衡调整。
而且做了自我验证：
自动化 AI 完整通关 10 关 ✅，无崩溃、无卡死；过程中修复了若干真 bug（出生间隔未重置导致敌人瞬涌、敌人子弹凿穿砖墙直捣基地、玩家子弹误伤自家鹰徽等）。
最后也做了操作说明！
从过程来看一切很完美，但是结果就是直接打不开！
做了验证，却没有验证出基础错误，几个测试中已经遇到两次了！
这就证明脑力确实比较有限，虽然知道要验证一下，但是很多问题验证不出来！
还有一个问题，就是你浪费了这么多时间，最后却给我一个错误的结果，这个事情的效率就很低。
我后来也让它修复了一下，结果地图还原的不错，但是坦克屁股上开炮，一枪打穿所有砖墙，各种玩法都比较抽象。这个例子失败的很彻底。
4、超级玛丽
坦克大战不是很满意，下面来看看超级玛丽！
这个游戏不用介绍了吧，大家都很熟悉。
结果如下：
这个界面还是有点抽象，和原版并不是特别像。但是它能玩！
这次没有出现基础错误，游戏的基本操作和玩法都是在的！
看了它的开发过程，它确实做了很多验证和修改：
这个例子消耗了 35 分钟，大概修改了 9 次代码！
我觉得这个例子是它发挥比较好的，比较偶代表性的，充分展现了它的智能体能力！脑子不够，流程来凑。
从这里可以看出来 Flash 也在逐步接近最新主流模型的玩法，就是靠智能体和流程来提升开发质量。
5、3D 台球
最后做一个 3D 测试吧，这是一个发散性的题目，我不提供详细的提示词，而是直接和它探讨交流，然后全程让它自己实现。
结果如下：
球做得不错，视图切换效果还可以，其它就有点抽象。这个球桌就非常离谱，洞呢🕳？桌子台面和桌脚呢？
我试了一下，打了一杆之后，就再也打不动了。
这个例子我本身就对它没有抱有太大希望，它没有出现基础的代码错误，就算成功了。
我觉得通过这五个例子，大家对 DeepSeek V4 Flash 的前端开发能力应该有一个比较直观的认识了。
这些问题都是"前端技术和前端呈现"，但是背后也有大量知识、逻辑、玩法在里面！
昨天我看了 Flash 的基准数据还是挺兴奋的，比 GLM 5.2 都强，接近 Opus 4.8。但是实际体验可能还是要差不少！
基准数据这个东西呢，确实和实际体验会有很大的差别，我最近看 Kimi CEO 杨植麟十个月前的访谈，它里面好几次提到了"泛化"，让基准数据好看是很简单的，但是泛化就很难，小模型就更难了。所以很多模型基准很漂亮，但是实际测试就完全不是那回事儿。
Flash 毕竟是 Flash，后训练只能是针对一些常用场景做优化，提升特定场景的可控性和稳定性，但是大概率也会牺牲泛化能力。一旦遇到没见过的问题，就容易错漏百出。
总的来说：在我的几个问题上，Flash 是用了大量的时间，但是结果依旧不理想。
当然，抽卡有一定的随机性，其它方面的能力，大家有测试的话也可以反馈一下！
另外一个维度我也要强调一下，这么多测试只花了 3.86 块钱，我还能说什么呢？
"性价比"还是一个很难做的东西！ 能力强的贵，便宜的能力弱，又便宜又好用确实很难。
我测了那么多模型，感觉最简单的选择还是直接选 Claude。
Haiku、Sonnet、Opus、Fable 已经覆盖了所有方面的最佳平衡。
开发质量，开发时间，开发成本，这三个维度能把控好的模型，才是最佳模型！
所有测试结果我都会发布到：topai.jarvisuni.com/
对比一下就知道不同模型之间的差距有多大了！