DeepSeek 猝不及防地更新了，不是 R2，而是 R1 v2。 官方的通告也很「DeepSeek」，甚至可以说有点佛系，在微信交流群发了一句： 「DeepSeek R1 模型已完成小版本试升级，欢迎前往官方网页、APP、小程序测试(打开深度思考)，API 接口和使用方式保持不变。」 看起来平平无奇，但真一顿实测下来，这个「小版本」恐怕还是过于谦虚了。 全球最大 AI 开源社区 Hugging Face 已经开源了这个新版本，名字也很实在：DeepSeek-R1-0528。不过截至目前，模型卡还没同步更新。 特点总结： 🧠 推理能力大幅提升，代码水平暴涨 ✍️ 写作表现更有人味，格式更规范 🔄 思考过程不仅快，还有条理、讲逻辑 ⏱️ 支持长时间思考，一项任务可持续 30 到 60 分钟 根据编码基准测试 LiveCodeBench 的最新结果，这一版 R1 的表现已经和 OpenAI o3 High 已经五五开了，而且，它的进步也远不止于代码能力。 当然，验证一款模型是否真正「可用」，还得看它在真实场景下的表现，我们也照例跑了几个案例。 编程：网页、游戏、UI，啥都能做 【扫雷游戏】考察编程、逻辑推理 比方说，我们参考网友@ ty_1215 的提示词，让新版 R1 设计一个扫雷游戏，结果不但逻辑完整，生成代码结构工整，直接就能拿来跑。 虽然这个任务比较简单，但在逻辑推理和编程结构的处理上，也算是超出了我的预期。 【音乐播放器】考察审美、功能规划 再让它模仿 QQ 音乐播放器的 UI 设计，给它指个方向，它咔咔就是一通输出，不仅有播放器主体，还带歌词、播放按钮、封面图、进度条。 理解任务只是基本操作，但拆解指示设计出符合审美且功能完整的界面就难上加难了，最终交出的成果也给我一种它能做得更好的既视感。 【太阳系模拟】考察图形渲染和物理模拟 再放飞一点，让它模拟一个太阳系，包括太阳、八大行星和月球，能展示公转轨道、自转动画，还要求背景得带上动态的星星。 生成的效果虽然颜色配得土了点，但搭配漫天的星星，整个空间氛围感直接拉满，尤其是那个可缩放可旋转的视角，完全可以作为中小学科普动画的原型演示。 写作：喜大普奔，终于不油腻啦 【风格模仿】考察写作、深度理解 除了写代码，新版 R1 写文章的水准也有大幅度提升。一句话概括，就是更有人味了。 春节期间，我们让 DeepSeek R1 以《百年孤独》的风格写春节面对七大姑八大姨的故事，当时就发现，旧版 R1 文笔最大的毛病太爱堆砌意象，拽大词，读着有点油。 这次用 R1 v2 复刻同一个问题，风格明显收敛不少，语言更自然，意象不突兀，有文学感但不矫情，读起来更自然了。 最近看到一句文言文版的「懂的都懂」，我心想，新版 R1 停留在字面意思就已经实属不易了，结果出乎意料，它不仅提供字面意思，还深挖了个深层含义，以及甚至从哲学角度开始思考。 类似的，我们 3 月份的时候让 Deepseek R1 对《红楼梦》脂批中的「情榜」进行解读，发现它的深度思考过程逻辑性较弱，零散地整合了不同网页的观点。 而且，「泛灵论」「理性超越」「异化」等非口语化的词汇还是频繁出现，分析内容也较为机械干瘪。 这次拿同样的问题问 R1 v2，观察它的深度思考过程，发现思考过程的逻辑性更清楚完整，不再是对网页信息的零散整合，且有关注到「用户可能没意识到但值得深挖的点」。 最重要的是，它在生成回答时自行「注意避免学术腔」，也添加了生动的场景例证。 思维链及推理：依然靠谱，还更清楚 语言能力的进步，不仅对于文本生成很重要，更加是渗透在每个环节—— 尤其是思维链。 思维链反映的是模型是怎么想的、为什么得出这个结论，以及它怎么表达自己这一系列经过。 DeepSeek 这次的升级，并不只是「答对题」这么简单。更重要的是，它在 推理路径上的一些细节变化，开始显露出新的能力结构 。 【鸡兔同笼】：考察推理理解、解法多样性 鸡兔同笼是非常经典的「必考题」，没有模型能逃得过。新 R1 的表现展现出很好的稳健性：一开始用设元 + 解方程，体现出结构化建模能力。后面补了一种逻辑回推法——一种典型的奥数思维训练套路。 两种方法互补，验算结果，保证正确。在整个思维链展开中，每一个变量意义、每一步计算、每一个代入都交代得明明白白。尤其是 中间过程的口语化表达 ，非常适合给不那么擅长数学的读者阅读。 不过，整个过程里没有出现自我纠错？这不应该啊，再上个题试试。 【计算时针角度】考察混合题型、基本几何知识 这题看下来，可以拍着良心说， CoT 的进步相当明显 。 首先有清晰的结构意识，先讲「表面方法」，用基本角度计算；再引入「常用公式」进行验证；最后还能进行反向校正，验证。 「时针角度」的计算是非常理想的模型测试题，因为除了要计算数值，也要有简单的几何概念。新 R1 不仅能完成计算，还体现基本的几何空间感。 整个过程中，多次出现了「我再确认一下」「有时候会有人算错」「我可能漏掉了什么」这些自查， 说明模型现在并不只是一股脑的列数据，而是有「我正在思考」的姿态 ——虽然只是姿态，但这不就是 CoT 的核心吗？ 【语义陷阱推理】考察分词能力、嵌套推理拆解 这看似一个脑筋急转弯，但实际上，所谓的「真话假话」之间互相嵌套，在推理上要真正理解「最少」和「最多」的语义。 这也就意味着不能武断地分词，必须考虑每一种情况。因此这道题的思维链和解答都是最长的——超过了四千字。 语义理解没有翻车，这点很不错。从两个互斥的假设出发，来一点点完成推理，考虑了尽可能多种场景和可能性。 在「总是说谎」这个条件解释上，新 R1 没有过多解释。实际上，中文里它是会引发歧义的，「总是」二字会误导模型以为是「过去一直都说谎」而非「当下说谎」。它这次没踩坑，可能有一定概率是靠「幻觉」躲过去了。 不过，这一题是真实暴露出了问题：无论是思维链，还是最后的解答，叙述方式都是典型的「语言模型思维链+流水账排查」，写得跟个五年级数学作业一样，洋洋洒洒也啰啰嗦嗦…… 如果生成一个链条图、思维导图，可能会更清楚。 总体讲，新 R1 「脑子」比以前清楚了，推理一如既往的靠谱 。在代数推导、假设排除等环节表现稳定。推理路径整体连贯，基本能准确理解语义陷阱类题目中的逻辑关系。 思维链的表现来看，相比于之前的略显冰冷的「理工脑袋」叙述方式，这一次的 CoT 有点像是把模型的「脑内小剧场」摆了出来。但要更贴近「人类思维风格」的表达，还需在精炼、组织与重点识别上继续优化。 除了我们的测试，网友们的反馈也进一步验证了新版 R1 的进步。 以经典的小球测试为例，从网友 @flavioAd 发的测试结果来看，新旧模型差距相当明显：旧版 R1 的球动作生硬、弹跳粘线，像是被钉死在轨道上；新版 R1 的球运动更自然、重力感更强。 用网友的话来说，「这个新版的球有自我意识，自己决定什么时候弹跳」 另一个测试来自博主 @karminski3，他拿 DeepSeek-R1-0528 和 Claude-4-Sonnet 测试了一个球体撞墙的案例。 同样的提示词，Claude 输出了 542 行代码，DeepSeek 直接来 728 行，功能更全、细节更细，尤其是控制面板的配色、反射、FPS 表现……有点工业设计作业的即视感。 模型的基础常识能力在此次更新中有所升级。网友 @Yuchenj_UW 提到， DeepSeek-R1-0528 是目前唯一一个能稳定正确回答 「9.9 - 9.11 等于多少？」的模型。 网友的梗也没落下。有人调侃 DeepSeek 写代码像 freestyle：如果数学天才陶哲轩 DeepSeek 强强联合，说不定真能出个「专辑」。当然，他所说的专辑不是音乐，而是一份能解决当代数学难题的论文。 知名 X 博主 @slow_developer 也加入了实测阵营，称赞「DeepSeek 真是王者归来……」他为 R1 v2 设计了一道中等复杂度的任务：构建一个单词评分系统。 DeepSeek R1 简单思考了一下，一次性生成两个文件，一个是主程序，一个是测试脚本，代码结构清晰，逻辑闭环，首次运行就顺利通过，没有报错。 目前据他测试，只有 OpenAI 的 o3 模型曾经能做到这种稳定输出，DeepSeek R1 v2 是第二个。 网友 @mishig25 的案例则演示了 R1 v2 在 Hugging Face Playground 上完整跑通 Chat Template，实现结构化函数调用的过程。 从解析用户意图、触发具体函数，到最后组合成回答的完整流程，DeepSeek 全程干净利落，表现出极强的指令理解 + 执行能力。 简言之，别被 DeepSeek-R1-0528 这个朴实无华的名字忽悠了。 坏消息是，新版 R1 的发布意味着 R2 恐怕还得再等等，好消息是，新版 R1 表面看着是个「小版本」，实则是一次能打的真升级，不管是可用性、稳定性，还是复杂任务的完成度，全都肉眼可见地往上抬了一档。 如果你还在苦等 R2，不妨先认真看看 R1 v2。用过一次，就真的回不去了。 不过 DeepSeek 啊，咱就是说...那「服务器繁忙」的提示，能少点不？ 模型是好用，咱也得能用上才行啊！