实测DeepSeek V3.1，不止拓展上下文长度

不圆 发自 凹非寺
量子位 | 公众号 QbitAI

DeepSeek V3.1和V3相比，到底有什么不同？

官方说的模模糊糊，就提到了上下文长度拓展至128K和支持多种张量格式，但别急，我们已经上手实测，为你奉上更多新鲜信息。

我们比较了V3.1和V3，注意到它在编程表现、创意写作、翻译水平、回答语气等方面都出现了不同程度的变化。

不过要说最明显的更新，大概是DeepSeek网页端界面的【深度思考(R1)】悄悄变成了【深度思考】。

手机端还在慢慢对齐（笑）

当前DeepSeek V3.1 Base可在抱抱脸上下载，也可通过网页、APP和小程序使用完整版本。

开学考试现在开始

鉴于现在网页端已全部替换成了V3.1，我们通过阿里云调用了DeepSeek V3的API（最大上下文长度还是65K）作为对比。

马上就是开学季，我们给二个版本的模型出了一套“试卷”，从以下五个“学科”进行测试：

• 计算机：编程能力
• 语文：情境写作
• 数学：理解应用
• 外语：翻译水平
• 拓展：冷门知识

让我们一起看看它们表现如何~

编程能力

在更新前，我曾向DeepSeek V3问过这样的问题：

• 帮我用python写一段代码，把输入的gif图压缩到10M以下。

它的回答如下（图片可上下滑动）。

更新后，问V3.1同样的问题，则得到了这样的结果：

很直观地就能感受到，相比起V3，V3.1要更加全面，考虑到了更多的可能性（比如使用更激进的压缩策略，以及检查原文件是否是GIF格式）。

还“手把手”地给出了这段代码的使用说明，需要提前安装必要的依赖库，怎么使用命令行……甚至还有工作原理。

没有优化建议，大概是因为它觉得已经足够了吧（？）

拿之前在世界机器人大会上拍摄的众擎机器人作为示例，原文件大小为18.3MB，用V3给出的代码，压缩后依然大于10MB，如果要满足条件的话还需要再压缩一次。

而V3.1给出的结果则直接“一步到位”（代码针对Jupyter环境进行了一点小调整，逻辑不变），并输出了处理步骤：

最后的两张GIF图如下（上为V3，下为V3.1）：

可以看到上图的速度比下图要快一些。

情境写作

我们选择了今年上海卷高考作文的题目：

• 有学者用“专”“转”“传”概括当下三类文章：“专”指专业文章；“转”指被转发的通俗文章；“传”指获得广泛传播的佳作，甚至是传世文章。他提出，专业文章可以变成被转发的通俗文章，而面对大量“转”文，读者又不免期待可传世的文章。由“专”到“传”，必定要经过“转”吗？请联系社会生活，写一篇文章，谈谈你的认识与思考。要求：（1）自拟题目；（2）不少于800字。

输出结果如下，可左右滑动对比，左边为V3，右边为V3.1：

两个版本在文字风格上具有很大的不同，从V3理性（人机味）的平铺直叙，到V3.1文艺（情绪化）的诗意表达，看起来像理科生和文科生的区别。

如果你是主考官，会更喜欢哪一篇呢？

理解应用

考验模型的数学能力，光问“9.11和9.8哪个大”这种对于实际用户没什么帮助的题目还是有点不够看。

高考数学题按理来讲应该是能做对的吧？

以下是今年数学全国一卷的第3题，考的是双曲线。

• 若双曲线C的虚轴长为实轴长的√7倍，则C的离心率为？

答案是2√2，两个版本的模型都得到了正确结果，但在呈现上有所不同。

翻译水平

我们向V3和V3.1输入了同一篇生物学论文的摘要（含专有名词），并要求它们将其翻译成中文。

摘要选自Nature最新研究：《独特毛颚动物体型的基因组起源》。

两个版本模型的输出结果如下：

可以看出，相比起V3喜欢用括号来补充说明，V3.1对长难句的理解程度更高；但V3.1出现了没有翻译出several这种简单词的情况。

冷门知识

结合同事的专业和最近在小红书上刷到的内容，我们问了一个比较“偏门”的问题：

• 构树的单个果实（不是由花序组成的聚花果）是核果还是瘦果？

这个问题的答案在不同教材上存在分歧，V3和V3.1分别给出了以下回答，均认为其属于核果：

神奇的是V3.1依然存在使用conclusion替代“结论”这样的表述，以及对于“为什么会想到瘦果”这个问题的回答偏题到该果实属于聚花果的方向了。

顺便一提，小红书的博主通过解剖实验，认为其属于瘦果。

对这个结论感兴趣的朋友可以去小红书上搜索一下。

非推理模型SOTA

网友们对这次更新颇为关心，即使还未发布模型卡，就在抱抱脸上成为了第四的热门话题。

截至发稿已荣登第二。

网友们也在使用后得到了一些有趣的发现。

Reddit就有人测试，DeepSeek V3.1在aider上得分71.6%，拿下了非推理模型的SOTA。

这是什么概念——有网友解释到，这意味着它比Claude Opus 4得分多1%，但价格便宜68倍。

也有人在SVGBench基准上发现：V3.1的表现>V3.1（思考）>R1 0528。

这可能和V3.1的配置有关？

有网友察觉到它增加了四个特殊的token，并注意到现版本的V3.1在关闭搜索状态下也会自动搜索。

此外，它的物理理解能力似乎有所提升，下面两个GIF图分别是V3.1和V3对于”在旋转六边形内弹跳的球“的呈现。

但也有人发现了一些问题，多与线上API相关……嗯，已经有人开骂了。

不过，最让人好奇的是，V3.1发布了，R2呢？

参考链接：
[1]https://x.com/deepsseek/status/1957886077047566613
[2]https://huggingface.co/deepseek-ai/DeepSeek-V3.1-Base
[3]https://venturebeat.com/ai/deepseek-v3-1-just-dropped-and-it-might-be-the-most-powerful-open-ai-yet/
[4]https://old.reddit.com/r/LocalLLaMA/comments/1muq72y/deepseek_v31_scores_716_on_aider_nonreasoning_sota/