一夜之间，又都是 DS 牛逼的新闻了。
看看这些都是什么媒体......当然几家科技媒体也是日常吹，反正口径一致，对标全球第二强的 Claude Fable 5 呗，还好没喊出超越！
他们没啥亮眼的例子，硬举例子吹，看得我都尴尬了！
说实话，我是喜欢 DS 的，对 DS 也是有很大期待的。我希望它能变强，毕竟是国产 + 便宜，方便无套路。
人那，就是不能有期待，一旦有预期就会有失望！
为了畅快用新版 Pro，我还专门充了 OpenCode。但是当我跑完第一个例子，我唯一的感受是"太难用了"！
基准数据
按照惯例，为了让大家对这个模型有一个全面的理解，我会先贴一下官方公布的基准数据（大模型的卖家秀）。
从这个数据来看，数据还是非常亮眼的！
如果看这个数据，Opus 4.8 是被按在地上摩擦了。硬要说超越 Fable 5 也不是不行。在这 10 项数据中，有 4 项超过了，其中两项是 Fable 5 没有测的。其中有明确数据的是 AutomationBench 和 CyberGym。
恕我孤陋寡闻，这个 AutomationBench 基准我都没怎么见过。查了一下资料，这是一个很新的 AI 智能体基准，由 Zapier 在 2026 年 4 月发布，主要是销售、营销、运营、客服、财务和人力资源六类业务！好吧，这确实不是我关心的领域。
CyberGym 这个就比较眼熟了。是一个测试 AI 智能体真实软件漏洞分析能力的基准，由加州大学伯克利分校团队开发。这个数据如果真实，还是挺有用的。
相关人员可以对号入座了，传出去，DeepSeek 在这些维度打爆 Fable 5 了。
虽然 10 项目中只有两项数据赢了，但是一项可以拆成 6 项，妥妥地赢 X 了......！
上面写了一堆基准，我都不太关心。
我比较关注的是编程相关的一些基准，由于 SWE PRO 已经被 Claude 刷爆了，现在其他家都不晒这个基准。现在好像都喜欢测 DeepSWE！
从这个数据来看，DeepSeek Pro 超越 Opus 4.8，吊打 GLM 5.2，不敌 K3，远低于 Fable 5。70 和 62.7 虽然数字上只差 7.3，但还是不小的差距。实际上的差距还会大很多。
众所周知，Claude 最强的是编程，从 DeepSWE 来看，DSP 和 Fable 5 的差距还是不小的，不存在"逼近、比肩"这种说法！
实测一下
基准数据大概就是这样，但是大家都明白，现在的基准数据和各种榜单也就是看个乐子，实际情况可能完全不一样。要刷榜太简单了，难得是泛化。
另外现在也不单单是比模型能力了，而是全套的智能体能力、生态、使用体验等等。
因为 DeepSeek 目前主要还是做 API，所以谈不上生态和体验。这两块评分直接是 ZERO，
因为没有视觉能力，所以多模态也没法测试！
因为它们自己的 Harness 还没推出，所以也没法谈智能体体验。
为了测试这个 DS Pro 正式版，我是搞了一个OC的 GO 套餐！
同时，我也会用常用的 Claude Code + 官方 API 测试一下！
由于 DSP 的交互体验太糟糕了，我不想测太多例子了，这次重点说一个例子，我把过程和细节说清楚，大家就会有一个直观的感受。
我的第一个例子就是《赛博朋克版清明上河图》！
这例子，要考常识，考概念理解，要考网页制作的能力。重点是要考创意、审美、空间感。这几点其实都很难。
在此之前，这个例子上表现最好的是 Claude 家的模型，Fable 5 和 Opus 5 表现都非常出众，断代领先。
完整提示词如下：
markdown
请不要直接画图，而是编写一段 单个 HTML 文件 的代码，当我用浏览器打开它时，能看到一幅动态的、赛博朋克风格的《清明上河图》长卷。 华丽要求：
1. 画面需要自动从右向左缓缓滚动。
2. 必须包含至少 50 个动态元素：如闪烁的霓虹灯招牌、飞行的汽车、全息投影的广告、街头的机械义肢行人。
3. 鼠标悬停在任意店铺上时，要弹出一个赛博风格的信息卡片（如"老王义体维修店 - 好评率 98%"）。
要充分融合赛博朋克的风格以及清明上河图的内容。屏幕是有限的，空间是无限的。要营造出一种立体的空间感要营造出一种立体的空间感。
考验实力： 这要求模型具备极强的SVG/Canvas绘图编程能力、CSS动画逻辑以及审美设计能力。普通人只需打开网页就能直观判断谁做得更精美、更流畅。然后为了 DSP 我破例跑了四次！平时我的原则都是只抽卡一次。至于为啥它要跑了 4 次，主要是因为它很奇怪。
最好的一次结果如下：
单这个例子来说，空间感还是不错的，它把横跨两岸的虹桥都给做出来了。而且房子和船的形状也像模像样了。这个效果要比 Flash 正式版好很多。而且相比其他国产模型来说也是比较优秀的。（传出去，DS Pro 前端很牛逼...偶发）
问题是，它这个街道太冷清了！完全没有人来人往、熙熙攘攘的烟火气，内容特别空洞，也谈不上什么审美吧。以繁华著称的清明上河图，这个样子灵魂就没有了。
另外一个结果，布局和比例关系就有点混乱了，粗糙很多了：
还有一个也很混乱，而且不能动：
为什么不能动呢？因为它出现了基础错误！！！
通过浏览器 Console 可以看到，出现了 JS 出错。时至今日，如果还能够出现这种错误，这个测评结果应该直接打 0 分。
首先，模型本身就不应该生成有基础错误的代码，其次现在都是智能体模型了，即便出错，它也应该有能力纠正。
另外，你们有没有很好奇，为什么我说测了四次，却只有三个截图。因为......出现了一个很奇葩的事情。
我虽然提了 4 次需求，但是我却只收到 3 个页面！
下面就来看看这神奇的一幕吧。
我首先是使用了 OpenCode 来测试的！
输入需求之后，一点反应都没有。等了很久都没有任何反应，是一句话都不说、一个字都不说那种！我也不知道发生了什么，实在等不下去了。我就开了个 Claude Code，通过 JCODE 快速注入了 DS 的官方 API。
开了 Claude Code 也是 5 分钟了一点输出都没有，8 分钟的时候终于看到了一些思考过程，然后就是一直等。
两个工具同时开着，同时等着。
突然，大概在 20 分钟左右的时候，它们都写好了。
OpenCode 里面就写了一个文件名，其他话是一句都没有，这一刻我都怀疑这个模型是不是练坏了，练成哑巴模型了。
Claude Code 里面是输出了一些总结性的内容。
这个还不是关键，关键是我用了两个软件提了两次需求，按理说就应该有两个页面。但实际上是只有一个页面。
我严重怀疑，是 Claude Code 里写完了，OpenCode 里面的直接看了一眼，就说自己也写完了。
基于这个怀疑，我问了下 OpenCode 里的 DS，它是这么告诉我的：
自己写的。工作区里的
qingming-cyberpunk.html（778 行）是我在之前会话中从零生成的原创代码，没有引用或修改任何第三方文件------文件里也没有来源/署名注释，逻辑、SVG 场景和 CSS 动画都是按你的需求现场设计的。
态度非常强硬，而且是生怕别人说他抄袭的感觉！
然后我也问了 Claude Code 里的 DS，它是这么说的：
李鬼和李逵，都言之凿凿地说是自己写的，那么谁是抄的？你们都说自己写的，怎么就写的文件名和文件内容一模一样呢？还说要看 git status，看个毛线，你们根本就没有提交任何东西。
其实这里反应出一个很严重的问题。
就是它自己不知道自己做了什么。或者说它明明有完整的上下文，却睁着眼睛说瞎话。可以确认的一点是，它们思考过程中的代码绝对是不一样的。但是最后却只给了一份一模一样的代码。肯定有人抄袭了。
同个文件夹里有同样的文件，抄袭，借鉴，修改都是合情合理的。但是它的输出过程没有任何说明，还坚持说是自己写的。这样的模型怎么用啊。
正常的模型，如果看到有类似的文件，一般会做一个提示，比如看到了类似的文件，是选择在上面修改，还是自己单独创建一个，至少会有这样一个显式的思维过程。99%的模型会选择单独创建一个自己的文件。
抛开上面的诡异问题不谈，它还有一个问题：不爱说话！
它跑这个例子时间大概在 20~30 分钟之间，也不算特别长。主要问题是，它接到需求之后，完全不输出任何内容，就好像没听到一样，这种体验是非常糟糕的，几乎没有模型是这么搞的。
另外一个值得注意的点，它花时间最久的版本，最后居然是完全无法运行的版本。
我看了生成记录，修改了很多次，做了两次基础检查，却硬是没有查出问题！
这个例子的过程和结果，以及怪异点，我应该都说清楚了，然后看一下消耗情况。
我的 Claude Code 是通过 API 调用的，跑了两次网页，大概消耗 1.7M tokens，金额是 1.5 RMB。
OpenCode 里用了五小时的 5%！
**用量和价格方面还可以！**依旧保持了它的最大优势。
本来我已经不想测了，因为这个测试体验真的很不好。
但是换个角度想，测一个例子就给结论好像有点武断了，我们再测一个例子，找找感觉。
下面这个例子叫《天文机械表》，这个例子的考点我之前有全面分析过，并不简单，我的题目一般都是特别消耗大模型脑子，不是测常规问题，而是测试它们的极限能力。
然后又是进入漫长的等待，十分钟过去了，还在思考中......一个字都没有吐出来过！
这次我特定max降级到了high！
然后依旧一句话都不说，交卷了：
努力干活，话不多，是个好品质，但是它这种就属于完全不想和你沟通了。
开始不说话，结束也不说话。你至少有一个地方要简单的说一下，你做了什么，达到了什么程度，接下来可以干什么。这样的才叫智能体，才叫得力助手啊。
好吧，它不爱说就不说吧。我们来看结果：
这次抽卡结果 UI 效果还算是可以的，要比上一个版本好很多，这种深色金色还是比较稳重的。它那个不同地区的日落日出效果做得也不错。
就是细看的话，还是有不少问题。
比如中间那些小碎片看着很不舒服；另外这个表盘要把时间看清楚还是有点压力的；除了时、分、秒之外，还有一个奇怪的指针一直指着 12 点不动；它显示日期的位置看起来也怪怪的；重点是它的月相算错了，当前是新月，而不是残月。
整个例子属于整体视觉设计还不错，但是禁不起推敲，月相这个是绝对不能错的。
既然测都测了，上午肯定写不完了（等到没心情写），那么多测几个吧！
然后我又让它复刻了两个经典游戏。
下面这个据说叫 1:1 复刻《超级玛丽》
下面这个是 1:1 复刻坦克大战：
这两个例子，它依旧一句话都不说就陷入思考。写完之后，终于说了几句人话了，不容易啊！
话是多说了几句，但是结果实在是太抽象了，可以堪称抽象界一哥了。都是能玩的，但是地图、角色、画风、玩法，没有一个是还原到位的，非常有喜剧感，建议大家在线体验一下。
稍后会把例子上传：topai.jarvisuni.com/
如果按我们的预期目标来说，它这个结果是非常糟糕的！
这些项目网上都是可以抄的，一些基础玩法它脑子里就应该有的才对。要么 DS 压根没有对这方面进行训练，然后泛化能力也很弱，也不知道去 GitHub 上看一眼，然后自己闭着眼睛，也不和你交流，想当然地就做出来了。
我觉得没必要再测下去了！是不是这个模型没有做后训练啊，整个交互感很差很差。
我感觉综合能力和体验可能是不如 GLM 5.2 和 K3 的，国外的咱们就不去比了吧，比 Fable 5 真的有点尴尬的啊。
完全没有那种顶级模型的感觉，也没有让人直呼哇塞的冲动。更多的是在努力追赶顶级模型的路上，而且体验真的不是太好。
当然，抛开顶级期待之后，也可以看到它的下限还是提升了不少的。这几个例子中，也有效果还不错的抽卡结果，效果不太行的至少保证了能玩（不是直接出错或者完全玩不了）。如果保持价格优势，综合来看还是能用一下的，干干杂活。
我主要是表达"太难用"，而不是说它"能力太差"了！1.6T的模型，能力不会差到哪里去的，而且肯定是比之前的版本要好的！
开发中，我大概率不会用。我有很多更好的选择！主要是怕不稳定，反复，浪费时间。
今天唯一的收获是，OpenCode 的 5 块钱的 Go 好像还行。
