DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna 在 DeepSWE 上的成本与编码对比

‍

DeepSeek-V4 Flash 0731 是整个 DeepSWE 榜单上最便宜的模型：每任务约十美分！GPT-5.6 Luna 是一款扎实的高端旗舰，每任务 0.61 美元，约为 DeepSeek 价格的六倍。所以问题不在于谁赢得排行榜（Luna，轻松胜出），而在于便宜六倍能换来什么、要付出什么代价，以及两者合在一起是否胜过任何单独一个。

我们在全部 113 个 DeepSWE 任务上让 DeepSeek-V4 Flash 0731（max）对阵 GPT-5.6 Luna（max）：这些是来自活跃开源仓库的真实、长周期功能请求，每个任务四次试验，由隐藏测试套件判定通过/失败。根据公布的逐次试验记录，总共有 900 次 rollout（DeepSeek 侧 452 次，Luna 侧 448 次）。下面的每个数字都来自这次运行，因此可能与其他公开记分卡不同。

概览

DeepSWE · 正面对决

DeepSeek-V4 Flash 与 GPT-5.6 Luna 概览

Luna 的成本约为 6 倍，准确率高出约 14 个百分点；DeepSeek 使用更多输出 token 和步数却走得更近，但以 0.10 美元计，它是该组中最便宜的运行，且优势明显。

DeepSWE 记分板：pass@1 与 pass@k

Luna 在单次尝试中明显胜出：在 DeepSWE 官方评分下，pass@1 为 67.2% 对 DeepSeek 的 53.3%，领先 14 个百分点，相对而言准确率高出约 26%。在相同尝试次数下，Luna 在每个 k 值上都保持领先（两次尝试 81.6 对 70.1，四次尝试 90.3 对 80.5）。就原始解题能力而言，这不是一场势均力敌的较量。

但 DeepSWE 恰恰是那种可以并行展开多次尝试的工作负载，而在这里经济账改写了局面。DeepSeek 的 pass@2（70.1%）已经略高于 Luna 的单次尝试（67.2%），而两次 DeepSeek 尝试花费约 0.20 美元，Luna 则为 0.61 美元。如果验证器能挑出获胜的那次运行，这个便宜模型就能以三分之一的价格达到旗舰模型首次尝试的质量，甚至还没用上下面任何路由技巧。

成本比较：DeepSeek-V4 Flash 与 GPT-5.6 Luna 定价

• 按每任务 0.61 美元计算，Luna 每 100 美元返回 110 次解决，而 DeepSeek 为 532 次：便宜模型的价值优势达 4.8 倍。每次 rollout 的成本差距约为 6 倍。
• 便宜模型唯一买不到的是速度，而这正是与通常“flash”模型故事相反的地方：DeepSeek 在这里是两者中较慢的，中位耗时 23 分钟、148 步，而 Luna 为 16 分钟、92 步。它靠磨（并且输出更多，中位 104k token，Luna 为 70k）。DeepSeek 的优势是钱，不是时间。
• 这一实际耗时差距部分是该模型太新造成的；随着推理引擎针对它进行调优，预计会缩小。

失败模式：DeepSeek 比旗舰失败得更体面

便宜模型悄悄胜出的另一点是纪律性。当 DeepSeek 失败时，只有 9% 的失败会破坏仓库现有的测试套件。Luna 则有 15%：这是 GPT 家族的回归特征，与我们在 Sol 及其他 OpenAI 系模型上看到的 15% 到 20% 相同。两者大多以接近成功的方式失败（DeepSeek 69%，Luna 66%），但更贵的模型反而更可能扰动原本能正常工作的代码。如果你部署 Luna，请用完整回归运行来把关；DeepSeek 较少需要这道护栏。

按任务领域比较 DeepSeek-V4 Flash 与 GPT-5.6 Luna

按代码实际内容对 113 个任务进行分类，Luna 在 8 个领域中的 7 个胜出。它最大的优势恰恰在于推理密集型工作：程序分析（69 对 33）、并发与持久性（70 对 38）、语言与运行时内部机制（86 对 59），每项大约领先 30 分。模型能力真正体现的地方就在这里，而 DeepSeek 在此大幅落后。

DeepSeek 只守住了一个领域，而这个领域很能说明问题：查询与配置语言，78 对 70。SQL 构建器、窗口函数、键集分页、配置解析器。结构化、模式化、遵循约定的工作，正是廉价模型真正有竞争力的地方，甚至领先。凡是任务要求在整个系统中维持一个硬性不变量的地方，Luna 的能力就拉开了差距。

按编程语言比较 DeepSeek-V4 Flash 与 GPT-5.6 Luna

Luna 在全部五项中胜出，但差距大小告诉你使用 DeepSeek 时需要小心的地方。它在 Rust（55 对 60）和 Go（62 对 79）上表现尚可，但它的 JavaScript 是崩盘：35 对 Luna 的 60，是整个对决中最弱的单个单元格，差了 25 分。DeepSeek 的 Python 也偏弱（49 对 65）。如果你的技术栈以 JS 为主，廉价模型是虚假的节约；如果是配置、查询或 Rust，DeepSeek 能弥补大部分差距。

DeepSeek-V4 Flash 与 GPT-5.6 Luna 有多相似？

低于廉价档模型对之间的相似度。逐任务相关性为 0.50，而且多样性是偏斜的：两者都解决了 87 个任务，仅 Luna 解决的有 15 个，仅 DeepSeek 解决的只有 4 个。关键在于，没有任何任务是 DeepSeek 全部通过而 Luna 完全错过的（DeepSeek 一方零个四比零的角落），而 Luna 有四个任务全部通过而 DeepSeek 从未成功（go-critic-doc-link-checker、langchain-request-coalescing、meriyah-explicit-resource-declarations、superjson-error-stack-serialization）。它们的并集覆盖了 113 个中的 106 个（93.8%），但这几乎全是 Luna 自身的覆盖范围。作为纯粹的多样性策略，DeepSeek 贡献甚微。

组合策略：为什么级联仍然有效

所以这个配对本应毫无意义。但并非如此，原因在于价格。先运行 DeepSeek，只有当你的测试套件拒绝答案时才升级到 Luna：每个任务 $0.385 解决 78.9%。仔细读一下。它比单用 Luna 更准确（67.2%，提升 11.7 个百分点），也比单用 Luna 更便宜（$0.61），约为 Luna 每任务成本的 63%。

近乎免费的第一阶段就是全部诀窍：DeepSeek 以每任务一角钱的价格清掉约 53% 的队列，因此 Luna 的费用只会触及困难的那部分剩余任务，而且到达 Luna 的任务还会额外获得第二次独立尝试。级联甚至胜过一个完美的一次性预言机路由器（74.3%），因为两次挥棒胜过一次完美选择。无论哪个模型领跑，准确率都相同，但 DeepSeek 优先要便宜得多（$0.385 对 $0.64），所以始终让廉价的那个先上。

这对组合的上限是 93.8%；两者都从未解决的 7 个任务（包括 gql-incremental-graphql-delivery 和 bandit-structured-nosec-directives）需要一个更强的第三模型，而不是更好的路由器。

这意味着什么

单独来看，DeepSeek-V4 Flash 0731 是一款中游模型，只有一个真正的强项领域（查询与配置），失败特征干净，JavaScript 能力存在灾难性短板，而价格无可匹敌。按各项质量指标衡量，GPT-5.6 Luna 都是更优秀的工程师：pass@1 高出 14 个百分点，在 8 个领域中的 7 个领先，覆盖全部 5 种语言，速度也更快。但你要为此多付约 6 倍的价格，还要额外为 GPT 系列的回退习惯设置防护。按每任务 $0.61 计算，这款旗舰模型确实便宜，当你看重质量时，它是轻松的默认选择。但 DeepSeek 最精妙的用法并不是替代 Luna，而是作为 Luna 的前端。一个只花一毛钱、却能清掉一半工作的第一阶段，让你以低于旗舰自身价格的成本买到超越旗舰的准确率。当便宜模型便宜到这个程度，级联就不再是一种妥协，而是榜单上最优的一行。

附录：数据表

DeepSWE · 附录

DeepSeek-V4 Flash 对比 GPT-5.6 Luna：完整数据表

常见问题

GPT-5.6 Luna 比 DeepSeek-V4 Flash 更好吗？

在质量上，是的。GPT-5.6 Luna 在 DeepSWE pass@1 上以 67.2% 对 53.3% 胜出，在每一个相同尝试次数下都领先，赢下 8 个任务领域中的 7 个以及全部 5 种语言，而且速度更快。DeepSeek-V4 Flash 在价格上以每次 rollout 约 6 倍的优势胜出，并且在失败时失败得更干净。

DeepSeek-V4 Flash 比 GPT-5.6 Luna 便宜多少？

在我们的运行中，DeepSeek-V4 Flash 每次 rollout 约花费 $0.10，而 GPT-5.6 Luna 为 $0.61，约为其六分之一的价格。按每个解出的任务衡量，DeepSeek 每 $100 返回 532 个解，而 Luna 为 110 个，每美元工作量约为其 4.8 倍。

应该同时使用 DeepSeek-V4 Flash 和 GPT-5.6 Luna 吗？

是的，采用级联方式。先运行 DeepSeek，仅当测试套件拒绝答案时才升级到 Luna，在我们的运行中以每个任务 $0.385 的成本解决了 78.9% 的任务：比仅用 Luna 更准确（67.2%），也比仅用 Luna 更便宜（$0.61）。始终以便宜模型打头；两种方式准确率相同，但 DeepSeek 优先成本更低。

对于编程，DeepSeek-V4 Flash 和 GPT-5.6 Luna 哪个更好？

在我们的细分中 Luna 赢下每一种语言，但差距各不相同。DeepSeek 在 Rust 上表现尚可，在查询与配置工作上具有竞争力，实际上还处于领先。它的 JavaScript 是这场对比中最弱的一格（35 对 60），因此以 JS 为主的技术栈不应只依赖便宜模型。

DeepSWE 上的 pass@k 是什么？

pass@k 衡量的是对某个任务的 k 次尝试中是否至少有一次通过隐藏测试套件。pass@1 奖励第一次就做对；更高的 k 奖励能够在多次尝试后最终解出问题的模型。DeepSeek 的 pass@2（70.1%）已经略高于 Luna 的 pass@1（67.2%），这正是并行尝试和级联经济学得以成立的原因。