DeepSeek V4 Flash：test-time scaling让开源模型超越闭源

当一个AI模型执行同一个任务多次，再自行挑选最稳妥的结果，能带来多大的性能提升？斯坦福的一项实验给出了亮眼的答案：一款低成本模型通过这套流程，不仅实现了性能翻倍，还反超了顶级对标模型，且整体成本依然更低。

单次尝试无法体现模型真实上限

Terminal-Bench 2.1是行业内常用的大模型评测指标，专门测试AI智能体在真实沙盒环境中完成终端任务的能力，整套评测包含89个测试任务，主流的Pass@1指标代表单次完整智能体尝试的成功率。

在实际使用中我们经常会发现一个普遍现象：同一个模型面对同一个问题，第一次尝试可能出错，第二次却能顺利解决；换一种思路可能失败，调整实现方式后反而成功。这是因为大模型的生成机制本身带有随机性，尤其是智能体执行终端任务时，可选路径繁多，任何一个微小的决策偏差都可能影响最终结果，只看单次尝试的成绩，很容易低估模型的真实潜力。

如果只看一次尝试，就会低估模型真实潜力。那怎么解决这个问题？答案是让模型多试几次。

但多试几次并不难，真正的问题在于：模型能否自主判断哪一次尝试的结果更好？为此这项实验设计了LLM-as-a-Verifier的验证机制，也就是让大模型本身扮演“阅卷者”的角色。

具体的实验流程是：针对同一个任务，先让DeepSeek V4 Flash生成5个候选解决方案；再让同一个模型对这5个方案进行评分排序；最终选出它认为最靠谱的方案提交，最后根据这个选中方案的任务完成情况来评估模型的整体性能。

性能实现跨越式提升

DeepSeek V4 Flash单次尝试的原始成绩为78.7%，这个成绩本身已经处于不错的水平，但还没有超过对标模型Fable 5的83.8%±1.2%。

而加入了多次尝试和自我验证的流程后，DeepSeek V4 Flash的成绩直接飙升到88.0%±0.6%，反超了Fable 5近5个百分点。更值得关注的是，这套多次尝试加筛选的流程，整体使用成本依然比Fable 5低4到11倍。

这意味着，准确的结论并不是“DeepSeek V4 Flash裸模型比Fable 5更强”，而是：一款原本未能超过旗舰模型的低成本模型，通过多次尝试和自我验证，将智能体的任务完成能力提升到了超过Fable 5公开榜单成绩的水平。

这个过程就像学生考试：第一次解题可能发挥不稳定，但如果允许他列出多种解法，再自行检查对比、选出最稳妥的答案，最终的成绩往往会有明显提升。

这套方法的核心逻辑

这里我们可以引入一个概念：test-time scaling，也就是“测试时能力扩展”。

过去我们提升模型能力，大多依靠训练阶段的扩展：放大模型规模、增加训练数据、延长训练时间，让模型在部署前就具备更强的能力。过去几年大模型能力的快速提升，很大程度上都依赖这种模式。

而test-time scaling则是另一种完全不同的思路：在模型实际运行时，多花一些时间，生成多个候选方案，再通过自检和对比来选出最优结果。

对于智能体任务来说，这种测试时扩展的优势尤其明显。因为智能体的执行不是单次的回答，而是一个完整的流程：观察环境、制定计划、执行命令、读取错误信息、修正方案、再次验证。在这个过程中，每多一次尝试、多一次检查、多一层验证，都能显著提升最终的成功率。

这次DeepSeek V4 Flash的实验结果，本质上就是一个非常典型的test-time scaling案例。它并没有证明模型本体突然成为了全球最强模型，而是说明：当模型可以进行多次尝试，并且具备自我验证的能力时，系统级的整体性能会得到显著放大。

开源模型的定制优势

有人可能会问：这套验证机制这么好用，能不能给Fable 5也加上？当然可以，闭源模型同样可以通过多次运行再筛选最优结果。

但开源模型的优势在于，可以将这套玩法做得更深入。不仅可以在外部调用时多次运行模型，还可以直接控制整个推理过程，在关键节点进行分支、提前淘汰效果不佳的路径、复用已经计算过的结果，将算力集中在更有希望的方向上。

再加上DeepSeek V4 Flash本身的部署成本更低，同样的预算可以支持更多次的尝试，也能让每次尝试的细节更精细。简单来说，模型成本越低、推理过程越可控，test-time scaling的性价比就越高。

所以这个实验并不是“低成本裸跑模型反超顶级闭源模型”的爽文，而是传递了一个重要信号：一款低成本、可定制、易改造的开源模型，搭配更智能的运行时机制，就有机会将系统级的性能提升到顶级闭源模型之上。

这也正是开源技术最令人兴奋的地方：它打开了系统级创新的空间，开发者可以围绕模型搭建专属的运行流程，让模型在真实任务中不断释放潜力。

落地应用才是核心

最后需要强调的是，不管机制多么完善，最终还是需要人去实际应用。你不动手尝试，再强的AI能力也和你无关，无论是个人开发者还是企业，都是如此。

过去几年，很多企业想要进行AI原生转型，但最大的问题不是“不想做”，而是“不敢大规模做”：担心成本太高不划算、担心数据泄露不安全、担心模型无法适配生产环境。而现在这个拐点已经到来。

当然，AI变得便宜又好用，并不代表企业会自动用好AI。真正的挑战在于如何用它重塑整个组织的运作模式，让AI真正融入业务流程，释放最大价值。