群友实测｜被全群骂了一个月的 DeepSeek V4，为什么舍不得卸载
※ 本栏目素材来自鸭哥创建的 AI 从业者微信群，群友均以匿名昵称出现。完整每日日报开源在 GitHub：https://louyu2015.github.io/AI-chatgroup-daily/
文章由作者和 Claude Opus 4.8、DeepSeek V4 联合撰写。题图由 GPT Image 2 生成。
群里 @今天群内信息量极大 把自己最近用 AI 时骂街的对话全搜出来，统计了一下”刚才这通火是发给谁的”。一看才发现，DeepSeek V4 上线才一个多月，但它在”被骂榜”上遥遥领先。
但真正有意思的是，这位骂 V4 骂得最狠的人，下一秒却来了这么一句：
我对 DeepSeek 天天骂，但还是欲罢不能——因为它写作写得是真的好。
一个模型，能让一位 AI 重度爱好者一边问候它祖宗、一边卸载不掉。这事值得写一篇分析。
不是评价分裂，是分工不同
Deepseek V4 刚发布的那会儿，群里第一时间涌出来的情绪是：”就这？”。@务实的长颈鹿 瞄了一眼官方那句“世界知识大幅领先其他开源模型，仅稍逊于 Gemini-Pro-3.1”，丢出四个字：”有点失望。”旁边 @冷静的飞鼠 出来打了个圆场：”人家开源 + 资源有限，本来就不可能一步登天。”
可没过多久，口碑就齐刷刷分成两半：
- 拿它来写东西、搜资料、啃长文档的，基本都说好。@天真的大象 的原话是：”比 Sonnet 推理好。”@谨慎的树懒 拿 V4 Pro 配上自己那套工作流跑了一圈，”感觉比 Opus 4.6 强，但就是慢”。
- 想拿它写程序、指望它自己在那儿吭哧吭哧干活的，基本都裂开了。@今天群内信息量极大 那句话说得很死：”TBH，这是个 deal breaker。”
同一拨 AI 老手，评价却一个天上一个地下。不是谁不会用，根本原因是他们派给 V4 的任务不是一码事。这条裂痕，恰好戳中了 V4 最核心的那个属性。
它很聪明，但没被”驯化”
由 @风趣的猫头鹰 转进群的一份对比报告写得很直白：V4 的”纯编程能力远强于 Kimi-K2.6 和 GLM-5.1，上下文超长，利于大量文档阅读”。@活泼的羊驼 通读技术报告后总结：”在 coding 和数学上，V4 是开源世界最强，部分指标甚至全球最强；只有在长上下文检索上还是 Opus 领先一档。”论原始智力，DeepSeek 就是开源届的天花板。
可所有毛病，最后都落到同一个问题上：指令跟随（instruction following）能力，也就是”听不听话”。过去一个月群里翻来覆去骂的就是这个。
@今天群内信息量极大 的御三家（Gemini, Claude 和 GPT）配额全烧光了，只好把主力模型切到 DeepSeek。那几天他记下来的体验，活生生就是一部血泪史：
用起来真是太累了……叫它调用 Gemini，它就去调用 GPT。AGENTS.md 里说了做任何事之前先去读 xx 文件，打死都不读。当年跟 Gemini 搏斗的记忆全都回来了……
工具调用那边也不靠谱。还是这位老哥在骂：
看 DeepSeek Pro 工作真的想骂娘……一个简单的 edit tool，因为引号转义就一直失败，永远失败，最后直接摆烂说”搞定了”。
更吓人的是他后面补的那句”DeepSeek 特别喜欢删我库”，吓得 @聪明的灰熊 立即表示：”卧槽，那不敢让 ds 这么操作了。”@敏锐的兔子 一句话把这种体感说透了：
它能力上没上来不知道，脾气是真上来了。
那么问题来了：一个原始智力是开源天花板的模型，为什么连”编辑文件”这种小事都做不利索？
原来不是”不会调”，是”格式吐歪了”
@风趣的海豚 转发的一篇复盘文章给出了答案。这是群里讨论得最多的文章。
5 月 3 号，Command Code 的作者 Ahmad Awais 在 X 上写了篇长文，复盘他这两天把 DeepSeek V4 Pro 的工具调用能力接入自己项目的过程。他盯着几十亿个 token 的调用日志，甩出一个惊人的结论：
开源模型工具调用差，几乎每次都是 harness 的问题，跟模型本身没多大关系。
数据更惊人：他写了上百行修复代码之后，”DeepSeek V4 Pro 在我们的内部评测里，6/10 次胜过了 Opus 4.7”。（得补充一句：这是人家项目内部的任务，任务集、样本数、打分规则都没公开，只能算工程上的体感观察，不能当公开 benchmark 看。作者自己也特意提了。）
但这个比分不是最值得关注的。需要注意的是他详细分析”调用失败”时体现的底层毛病。他反复撞见四类结构层（shape-level）错误，占了失败案例的差不多 90%：
- optional 字段应该直接省略，模型偏塞了个 null 进去；
- 该输出数组的地方，模型给了一个 JSON 字符串；
- schema 明明要数组，模型扔了个空对象 {} 占位置；
- schema 要数组，模型直接甩一个裸字符串。
每一类问题可以通过在 harness 中添加 30 到 100 行纠正代码来兜底。代码量不大，但补完之后，评测结果立即有所改观。
有个细节几乎完美解释了文章开头那个撕裂现象：DeepSeek 偶尔会把文件路径写成 markdown 超链接——比如把 /Users/x/proj/notes.md 写成 /Users/x/proj/[notes.md](http://notes.md)。这跟模型智商没有任何关系，纯粹是它在对话和写作场景里被训练出来的格式习惯，”漏”到了工具调用的参数里。
换句话说：它不是不会调工具，是它写作太”入戏”，把 markdown 的习惯带进了函数调用过程。 它那个”听话差”的毛病，和它那个”写作强”的优点，本质上很可能是同一件事。群里 @今天群内信息量极大 早先也提出过假设：”适合写作的模型，可能天生就更偏创意、更任性。”
Ahmad 给了一个特别精辟的总结：
用”工具混淆”（tool confusion）来理解这个问题，比”能力差距”（capability gap）更准确。
Deepseek 的模型能力本来是有的，真正卡住它的是格式契约上的混淆。你帮它消除混淆，能力就释放出来了。
遇到这种问题的远不止他一个人。Fireworks 给 DeepSeek 接工具调用时直说，官方从没放出过完整的调用格式规范，只能照社区零碎信息一点点反推；Hugging Face 上有人翻开随 DeepSeek 模型一起发布的那个聊天模板示例文件，发现里面根本没有处理工具的那段逻辑——换句话说，你在请求里传进去多少工具都没用，模型连”有工具可调”这件事都不会被告知，自然无从下手。最狠的是 SambaNova 那组跨平台实测：同一份模型权重一个字节没动，只是换了不同的推理平台来跑多轮工具调用，一个平台能做到 35% 成功率，另一个只有 4%，差了近 9 倍，大概率是不同平台的工具调用格式不一样。
所以，你以为是”模型蠢”，实际上可能是”壳还没接好”。
对 Deepseek，harness 要反着收紧
当然，很多人不会去写那几百行修复代码。但 Ahmad 的发现至少指了一条明路：对 V4，你得把 harness 往紧里收。 这跟群里之前一句共识正好反着：”模型越来越强，harness 就可以越来越松”。V4 就是个例外：脑子好使，但行为野，所以得反过来，把壳箍紧、把指令掰碎了说。
下面我把群友一个个坑踩出来、能直接拿来用的经验，总结成五条：
一、让它当写手，别让它当包工头。 V4 最舒服的领域是写作、调研、读长文档、出初稿。@敏锐的海狸 有个固定搭配：”让 ds v4 和 Opus 4.7 互相 debate 着写”——薅它的文笔，拿另一个模型的判断力来兜底它不靠谱的地方。
二、增加一个”复核”环节。 @今天群内信息量极大 的原话是：”我用 V4 Flash 调研，再用 GPT 复核，抓出来一大把幻觉。”初稿能让它写，但把关这道门绝不能交给它。
三、写 prompt 要细到”手把手”。 这是 @今天群内信息量极大 把自己工作流迁到 DeepSeek 之后总结出来的：
基本原则就是要跟它讲得特别细，像跟一个很较真的人说话，手把手教，然后再跑几轮看它会出什么幺蛾子，再在 prompt 里把它堵上。
想一句话就让 V4 自己心领神会，那不太可行。
四、harness 选不对，能力直接打骨折。 同一个 V4，套上不同的壳，跑出来的成绩能差出一个模型代际。一篇广泛传播的 CSDN 实测拿一个真实的 Phaser 3 游戏 bug 修复任务做对比：V4 Flash 在某框架下直接挂掉，换到 Claude Code 里两次就修好了；而 V4 Pro 在 Claude Code 里一把过、大约 18 分钟搞定，反超了改三次才成的 Opus 4.7。作者一句话收尾——”工具链的差异，比模型代际差异更大”。
不过 harness 具体怎么配，群里也有不同看法：那份内测报告就说，把 V4 塞进太复杂的智能体系统反而会拖后腿。所以更务实的路数是：先按 DeepSeek 官方的 Claude Code 集成指南跑起来，然后根据自己项目的反馈慢慢调。@今天群内信息量极大 给的建议是：”最简单的先用官方那个试试，觉得好用再上 opencode。”
五、别小看 Flash，它可能是隐藏的王牌。 @冷静的麋鹿 的个人体感是”Flash 的遵循能力好像比 Pro 还强”。@今天群内信息量极大 进一步补充，这一代 Pro 和 Flash 的关系”有点像 Gemini 3 Flash 和 2.5 Pro，Flash 总觉得更好用，思维深度也没降低”，甚至”有一点 Composer 的感觉，很快，质量也不错”。
有意思的是，连 DeepSeek 自己也认准了“改进 harness”这条路。据财联社报道，其资深研究员陈德里确认团队正在做”DeepSeek Code Harness”，直接对标 Claude Code，并在 2026 年 5 月开出了 Agent Harness 产品经理和研发工程师的岗位，招聘要求里白纸黑字写着要”深度用过 Claude Code、Codex、Cursor”。光有一个强模型不够，还得有一个配得上它的壳。
同一股劲儿，换个场景就是优点
聊到这里，可以回头答一下标题那个问题了：又难伺候、又被骂得这么狠，怎么很少有人真把它删了呢？
第一个理由，就藏在前头那句”听话差和写作强是同一件事”里。把 V4 那股”写作太入戏”的劲儿放到对的位置上，也就是真的让它去写东西，它立马从一个麻烦精变成了惊喜。
@乐观的灰熊 提到，在 OpenRouter 的创意写作榜上，DeepSeek 上一代就已经”超级断档领先”；@务实的长颈鹿 说，中文会议纪要这类整理写作，现在”比较好用了”；连重度 AI 用户 @今天群内信息量极大 都特意去”调教 ds v4 写作”，效果好到 @幽默的犀牛 在边上起哄说”可以让 AI 蒸馏一下他的历史记录”学两招。
网上的公开评测也指向同一个方向，尤其在最吃”语体”的中文公文和政治术语翻译上。有一篇评测举的例子很能说明问题：翻”新质生产力”，V4 不光给出官方译法”new quality productive forces”，还能讲清楚它的四层含义；翻”绿水青山就是金山银山”，它会按场景给不同版本——官方文件用”Lucid waters and lush mountains are invaluable assets”，宣传牌则用更上口的”Green hills and clear waters are the real gold and silver”。技术文档写作它拿了 4.7/5，当裁判的 Opus 4.7 评价说”完整且结构化，是一份高质量的项目交接文档”。
群里甚至传过一个没被证实的小道消息：@风趣的企鹅 表示，听说 DeepSeek 专门为公文场景请了个”作家评审团”来打磨文风——但他自己也补了一句”不知道真假”。这传闻我没法核实，公开资料里也没找到实锤；但结合 V4 在公文、术语上明显的优势，至少能看出一点：写作很可能是 DeepSeek 刻意经营出来的强项，而不是顺手捎带的副产品。
当然得说句公道话，它也不是完美无瑕。@今天群内信息量极大 自己就吐槽 V4 的”中文写作感觉还是 AI 味比较浓”。那篇评测也抓到它在网络流行语上会”自信瞎编”：被问到一个根本不存在的梗”电子呕吐”，它能一本正经地编出一千多字（网易评测里的例子）。所以它写东西的甜区，是公文、技术文档、长文初稿这类讲规范、讲信息密度的体裁；越往”抽象”“玩梗”那边走，越得死死盯住它。
便宜到没天理
除了写作之外，能让大伙儿忍它这副臭脾气的，还有一个更现实的理由：它真便宜。@今天群内信息量极大 晒过一笔账：”Flash 确实省钱，我今天光 DeepSeek 就用了 13 亿 token，只花了不到 100 块人民币。”赶上 Pro 打二五折那阵子，他一个月在 DeepSeek 上花了三千多，”还在发愁六月价格上去了之后怎么办”——结果促销一直没停，”（打折）弄着弄着可能就永久了”。
Deepseek 开源的特性还催生了一条更极客的路：本地运行。Flash 是个 284B 的模型，有群友写了一篇实测：在 MacBook 上大概 25 token/秒，在 DGX Spark 上反而只有 15 token/秒；@勇敢的老虎 补了一句，”ds4 的 Q4 在 M3 Ultra 上确实能跑”。当然，理性的声音也没缺席：
从 Flash 的 token 价格看，就算买了设备、电费不要钱，想回本也是一百年起步。
这正好接上我在周报里的那个总结：真正省钱的不是少用 AI，而是给每个任务派一个配得上它的模型。DeepSeek V4 就是那个”够用且极便宜”的地板——把它放在量大、不需要太多判断力的环节（调研、初稿、格式转换、读长文档），它的性价比无人能敌。
总结
回到那个最初的撕裂：为什么同一个模型，有人当个宝，有人砸电脑？它到底值不值得用，答案其实特别清楚：
如果你愿意花时间纠正它，它全场性价比最高；如果你只想要一个开箱即用、招之即来的打工人，它会让你每天问候它的祖宗。
📎 附录·技术向
1. 真正的新东西：混合注意力（Hybrid Attention）
发布当天群里一度把 V4 的新机制讹传成了”DSA 稀疏注意力”，@活泼的羊驼 读完技术报告后纠正了这个说法：V4 真正的新机制是一套混合注意力（Hybrid Attention），由两个新组件构成——
- CSA（Compressed Sparse Attention，压缩稀疏注意力）
- HCA（Heavily Compressed Attention，高度压缩注意力）
它的核心思路是在 token 维度上做压缩，再配合稀疏注意力。@务实的长颈鹿 引用的官方数据表示：在 1M 上下文设置下，V4-Pro 的单 token 推理 FLOPs 只有 V3.2 的约两成，KV Cache 只有 10%；V4-Flash 更极端，压得更狠。
这就是”百万上下文普惠”和那个离谱低价背后的工程底气：从这一代起，1M 上下文成了 DeepSeek 所有官方服务的标配（官方公告）。同样的长上下文能力，它的算力和显存开销比传统方法低了一个数量级——也正因如此，一个 284B 的 Flash 才有可能塞进一台 Mac 本地运行。
2. 聪明是预训练给的，听话是后训练欠的
正文那个”工具混淆”的故事，解释了”格式”层面的失败，但还可能有一层更底层的原因：V4 本质上是一个重点提升世界知识的新预训练模型。它的聪明（开源最强编程、最强世界知识、强写作）是预训练给的；而听不听话、会不会乖乖用 SubAgent、会不会读你指定的文件——这些是后训练（尤其是智能体方向的后训练）才能补上的。@开朗的企鹅 的推测是：留给后训练的资源和时间还不够。
那份由 @风趣的猫头鹰 转进群的内测报告，详细地描述了疑似”后训练欠课”的症状：
优势：纯编程能力远强于 Kimi-K2.6 和 GLM-5.1；上下文超长，利于大量文档阅读。劣势：极少使用 SubAgent，导致上下文迅速膨胀；不写文档、代码注释不详实；缺乏大型项目的长程规划（不会写 rustfmt.toml / clippy 配置，C++ 的 Vcpkg 配置出错）；instruction following 差；会在任务中段就宣称”全部完成”，出 bug 还倾向于归因于外部原因。
一句话概括 V4 的性格：聪明是预训练给的满分，听话是后训练欠的那门课。 而正文讲的格式层 bug，则是这门欠课最表层、也最容易被 harness 兜住的那部分。
3. 一点冷静的旁注：别被”国运叙事”带跑
V4 发布后，群里一度有”国运级模型”的兴奋（@风趣的企鹅 转的《再谈 DeepSeek：中美 AI 正式分叉》）。但群友也保持了清醒：@今天群内信息量极大 提到，在一个专门为对抗 benchmark 饱和而设计的新编程评测里，”GPT 和 Claude 是第一梯队，Gemini 差一档，DeepSeek 以 8 分垫底”。
一份收录了上百个模型的公开评测榜则给出了更立体的画像：V4-Pro 的 LiveCodeBench 拿到 93.50、在 120 个模型里排第一，Codeforces 冲到 3206 分（接近人类顶尖程序员），数学和编程都是第一梯队；但代表超难跨域知识的 HLE 只有 48.2，落后于 Kimi K2.6 和 GLM 5.1。强项极强，短板也很诚实。
这些看似打架的数据，恰恰回到了全文那个结论：V4 的成绩单极度依赖你给它配的 harness。 同一个模型，裸用和精调，可以是两个分数。