专业实盘配资杠杆尤其是在复杂推理和工具链协作场景下的实际表现

DeepSeek 官方刚刚突然宣布：我们发最新版本模型 DeepSeek-V3.1啦！

消息一出，一个小时在 X 上的浏览热度就达到了 26 万！

据 DeepSeek 介绍，DeepSeek-V3.1 是一款混合型模型，支持"思考模式"与"非思考模式"混合运行，用户可以根据场景需求，灵活切换推理深度，效率和能力两手抓。

得益于深度优化的训练策略与大规模长文档扩展，DeepSeek-V3.1 在推理速度、工具调用智能、代码和数学任务等方面均有显著进步。

咱们先捋一下这次新版模型的几大亮点：

· 混合思考模式：通过切换对话模板，单一模型即可兼容思考与非思考两种模式。

· 更智能的工具调用：通过后训练优化，模型在调用工具和完成 Agent（智能体）任务方面的表现显著提升。

· 更高的思考效率：DeepSeek-V3.1-Think 在回答质量上可与 R1-0528 媲美，同时响应速度更快。

官方放出的测试结果显示，V3.1-Think AIME 2025（美国数学邀请赛 2025 版）得分 88.4%，GPQA Diamond（高难度研究生级知识问答数据集的 Diamond 子集）得分 80.1%，LiveCodeBench（实时编码基准）得分 74.8%，均优于老模型 R1-0528 的表现：87.5%、81.0%、73.3%。

而且，正如下图所示（纵轴是输出 token 数），V3.1-Think 的输出 tokens 反而大幅减少。

也就是说：V3.1-Think 相较于老模型 R1-0528，使用更少的 tokens，但达到了相似或略高的准确率，在计算资源优化上的优势很明显。

在软件工程和 Agent 任务基准上的性能提升方面：

· SWE-Bench Verified，DeepSeek-V3.1 得分 66.0%，远高于 V3-0324 的 45.4% 和 R1-0528 的 44.6%，表明其在处理复杂代码任务时更可靠。

· SWE-Bench Multilingual（多语言版本），DeepSeek-V3.1 得分 54.5%，大幅领先 V3-0324 的 29.3% 和 R1-0528 的 30.5%。说明其在多语言支持上有很大进步，可能通过增加多样化训练数据实现，使其更适合全球开发场景。

· Terminal-Bench（使用 Terminus 1 框架的基准，量化 AI Gent 在终端（命令行）环境中完成复杂任务的能力，如脚本执行、文件操作或系统交互，模拟真实命令行工作流），DeepSeek-V3.1 得分 31.3%，优于 V3-0324 的 13.3% 和 R1-0528 的 5.7%，在 Agent 框架下的效率提升，适合自动化运维或 DevOps 应用。

需要注意的是，DeepSeek V3.1 的本次更新，核心在于显著增强了模型的智能体能力，尤其是在复杂推理和工具链协作场景下的实际表现。

此外，DeepSeek-V3.1 搜索 Agent、长上下文理解、事实问答和工具使用等领域的性能也表现强势。

DeepSeek-V3.1（基于 MoE 架构，总参数 671B，激活 37B）在大多数基准上显著优于 R1-0528，在搜索 Agent 和长上下文任务上的平均提升约 20-300%，尤其在工具使用（如 xbench-DeepSearch）和事实 QA（如 SimpleQA）中领先，这意味着它适合构建 AI Agent 应用，如自动化搜索或代码辅助。

相比 R1-0528（专注于推理但效率较低），DeepSeek-V3.1 更注重平衡速度与质量，DeepSeek 的" Agent 时代" 正式拉开帷幕。

在 Huggingface 上，DeepSeek 释放出了更详细的评估结果。

基于官方给出的与前代的测评比较，DeepSeek-V3.1 在常规推理和知识问答任务（如 MMLU-Redux 和 MMLU-Pro）上，整体表现稳定提升，非思考和思考模式下的分数均高于 V3 旧版，基本接近行业顶尖大模型水平。

例如，在 HLE（Humanity ’ s Last Exam，搜索 +Python 复合推理）任务上，DeepSeek-V3.1 实现了 29.8% 的通过率，优于自家 R1-0528 版（24.8%），并接近 GPT-5、Grok 4 等国际一线大模型。

虽然各大模型在评测细节上存在一定差异，但 DeepSeek 的表现仍具有说服力。

新版模型在网页检索、复合搜索和工具协同场景（BrowseComp、BrowseComp_zh、Humanity ’ s Last Exam Python+Search、SimpleQA）上有跨越式进步，中文网页搜索和多模态复合推理分数显著超越旧版本。在 SWE-Bench Verified 代码评测中，DeepSeek-V3.1 以 66.0% 的成绩大幅领先前代（44.6%），也与 Claude 4.1、Kimi K2 等顶级模型保持同一水准。

在 Terminal Bench 终端自动化测试中，其得分也略高于 GPT-5 和 o3 等知名竞品。

与此同时，DeepSeek-V3.1 在代码生成和自动化评测（LiveCodeBench、Codeforces-Div1、Aider-Polyglot、SWE Verified、Terminal-bench）方面，得分也较前代显著提升，特别是在智能体模式下，代码任务通过率和自动化执行能力大幅增强。在 AIME 和 HMMT 等高级数学推理和竞赛任务上，DeepSeek-V3.1 的表现优于前代产品，思考模式下解题成功率大幅提升。

不过作为通用对话模型，V3.1 并未在所有维度超越前代产品——在部分常规对话和知识问答场景下，R1-0528 依然具有一定竞争力。

在具体的性能表现之外，DeepSeek 发布新模型，一定会被外界密切关注的当然是价格。

这次，DeepSeek 也没有让大家失望。

Input API Price（输入定价），分为两种情况：

· Cache Hit（缓存命中）：0.07 美元 / 百万 tokens。

· Cache Miss（缓存未命中）：0.56 美元 / 百万 tokens。

Output API Price（输出定价）为 1.68 美元 / 百万 tokens。

MenloVentures 的风险投资人、前谷歌搜索团队成员 Deedy 也发推大呼"鲸鱼回来了"。（这哥们在 X 上有 20 万粉丝，妥妥的科技界大 V。）

除了价格良心之外，DeepSeek-V3.1 还首次实现了对 Anthropic API 的原生兼容。

这意味着，用户可以像调用 Claude 或 Anthropic 生态的模型一样，将 DeepSeek 的集成进现有系统。无论是通过 Claude Code 工具链还是直接使用 Anthropic 官方 SDK，开发者只需配置 API 地址和密钥，即可在所有支持 Anthropic API 的环境下，使用 DeepSeek-V3.1 提供的推理和对话能力。