DeepSeekV4 Flash实测分享
最近我把V4-Flash接进自己的Agent框架，跑了整整一天。不是那种"你好请问今天天气怎么样"的测试，是真的让它操作终端、调API、读日志、写代码。两个数字反复看了好几遍：Cybergym 76.7，DSBench-FullStack 68.7。Cybergym这个基准测的是模型在网络安全场景下的工具调用和决策能力——渗透测试、日志分析、权限枚举之类的。76.7分意味着模型不仅能分析安全问题，还能自己执行攻击链上的多步操作。我试了一个场景：让它分析一台测试服务器的SSH日志。它自己grep出了异常登录IP，查了归属地，翻了最近的认证失败记录，最后出了一份完整的溯源报告，连可疑时间窗口都标出来了。全程我只给了第一句话，后面全是它自己推的。说实话，有点吓人。这个能力如果落到别有用心的人手里，我都不敢想后果。DSBench-FullStack的68.7也让我挺意外的。我随手给了一个需求：做个内部工具页面，后端Python，前端Vue，数据库SQLite。它从建表语句开始，一步步写完接口、组件，还自动处理了CORS。中间遇到一个SQL语法错误，它自己回滚、修正、重新跑迁移。这已经不是一个代码补全工具了，是一个能扛项目级任务的协作者。当然DSBench-Hard的59.6也说明，长链复杂任务还是会掉链子。但以这个价格，这个表现，我已经打算把几个运维脚本的日常维护扔给它了。
发布于 福建
1
1
1
未登录
友善发言
评论
加载中
