文章总结： 该文档通过控制鼠标在Windows画图软件绘制小汽车的测试任务，对比评估了DeepSeekv4与GLM5.1、Sonnet、GPT5.2、QWen3.6等大模型的通识能力。作者指出DeepSeekv4整体表现中等但低于预期，Pro版甚至弱于Flash版；GLM5.1与Sonnet并列最佳，GPT5.2表现不佳，QWen3.6出现幻觉。分析认为模型能力取决于训练数据质量、算力成本与投入产出比权衡，建议通过综合性任务测试模型通识能力。 综合评分： 65 文章分类： AI安全,技术标准,其他

DeepSeek v4，让我失望了

原创

杨冀龙 杨冀龙

神龙叫

2026年4月24日 20:38 四川

在小说阅读器读本章

去阅读

DeepSeek v4好不好，到底有多好，和同行对比如何？一眼就能看出来。 连接不同大模型，给aipy任务提示词：

打开windows画图软件，控制鼠标，画一辆小汽车。

接下来看图回答问题：谁的最丑？谁的最抽象？国外谁最好？国内谁最好？DeepSeek进步如何？谁进步最大？

答对有奖！

DeepSeek v4 Flash和 v3.2进步并不大，更抽象的是Pro比Flash差，收获了长记忆，失去了部分通识。

GLM5.1和Sonnet并列第一

GPT5.2也不行。

QWen3.6本来不错，但出现了幻觉。

再看各家，为什么各家差异这么大？

因为大模型能力取决于：

1. 训练数据大小，综合性，对世界通识的认知能力这需要数据成本、数据清晰成本
2. 训练显卡成本、耗电成本 能力和成本成正比，而任何企业都要算投入产出比，找均衡 因此很多大模型，是对某些方面擅长，损失通识，获得打比赛、场景专长处

如何测试大模型通识能力，就是刚才这个测试，测试了这些能力： 知道什么是小汽车 知道如何描述小汽车 知道如何打开windows画图软件 知道如何控制鼠标 知道如何将小汽车描述，转变为鼠标操作

测试了大模型全面的能力。 因此高下一目了然。

DeepSeek v4 整体能力看起来是中间水平，但和期望值相比就让人失望了， 不知道是算力原因，还是数据原因，知情的可以吱一声。

更多内容：

龙虾？宗教、钱财、骗子

大模型能力评测，中国落后一年

客官，请留步，求关注，有问必答；

关注输入“福利”，有惊喜喔。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：神龙叫 杨冀龙 杨冀龙《DeepSeek v4，让我失望了》