DeepSeek-V4 Flash 与 GPT-5.6 Luna 对决：成本效益与级联策略

核心结论

虽然 GPT-5.6 Luna 在每项质量指标上都是更强的工程师，但 DeepSeek-V4 Flash 0731 足够便宜，以至于先用 DeepSeek 的级联方案在准确率和成本上都胜过单独使用 Luna。

• GPT-5.6 Luna 在 DeepSWE pass@1 上明显领先，67.2% 对 53.3%，相差 14 个百分点，并且在每个相同的尝试次数下都保持领先。
• DeepSeek-V4 Flash 是 DeepSWE 榜单上最便宜的模型：每次 rollout \$0.10，而 Luna 为 \$0.61，每 \$100 可解决 532 个任务，Luna 为 110 个。
• DeepSeek-V4 Flash 失败得更干净：失败案例中有 9% 破坏了仓库现有的测试套件，Luna 则为 15%。
• 先运行 DeepSeek-V4 Flash，仅在失败时升级到 Luna，可以解决 78.9% 的任务，每个任务成本 \$0.385：比单独使用 Luna 更准确，且便宜 37%。

现已上线 · 开放权重

在 Together AI 上运行 DeepSeek-V4 Flash

DeepSWE 榜单上最便宜的模型，每个任务约一角钱。无需前沿模型的 token 价格，即可在生产规模上提供这个廉价的第一阶段。

打开 Playground

‍

DeepSeek-V4 Flash 0731 是整个 DeepSWE 榜单上最便宜的模型：每个任务约一角钱！GPT-5.6 Luna 是一款扎实的上层旗舰模型，每个任务 \$0.61，约为 DeepSeek 价格的六倍。所以问题不在于谁赢得榜单（显然是 Luna），而在于六倍的价差能换来什么、又让你付出什么，以及两者合用是否胜过任何单独一个。

我们让 DeepSeek-V4 Flash 0731（max）与 GPT-5.6 Luna（max）在全部 113 个 DeepSWE 任务上对决：这些任务是来自活跃开源仓库的真实、长周期功能需求，每个任务跑四次，由隐藏的测试套件判定通过与否。根据公布的逐次试验记录，总共有 900 次 rollout（DeepSeek 一侧 452 次，Luna 一侧 448 次）。下文所有数字均来自这次运行，因此可能与其他公开的评分卡有所不同。

一览

DeepSWE · 正面对比

DeepSeek-V4 Flash 与 GPT-5.6 Luna 一览

Luna 的成本约为 6 倍，换来约 14 个百分点的准确率提升；DeepSeek 使用更多输出 token 和步数，却走得不如 Luna 远，但在 \$0.10 的价格下，它是这组测试中最便宜的一次运行，且领先幅度很大。

DeepSWE 排行榜：pass@1 与 pass@k

Luna 在单次尝试上明显获胜：按 DeepSWE 官方评分，pass@1 为 67.2%，DeepSeek 为 53.3%，领先 14 个百分点，相对而言准确率高出约 26%。在相同尝试次数下，Luna 在每个 k 值上都保持领先（两次尝试为 81.6 对 70.1，四次尝试为 90.3 对 80.5）。就原始解题能力而言，这并不是一场势均力敌的较量。

但 DeepSWE 恰恰是那种可以并行发起多次尝试的工作负载，在这种情况下，经济账会改写整个局面。DeepSeek 的 pass@2（70.1%）已经略高于 Luna 的单次尝试（67.2%），而两次 DeepSeek 尝试约花费 \$0.20，Luna 则是 \$0.61。如果有验证器能挑出成功的那次运行，这个便宜的模型只需三分之一的价格，就能达到旗舰模型一次成功的质量，这还没有用到下文的任何路由技巧。

成本对比：DeepSeek-V4 Flash 与 GPT-5.6 Luna 的定价

• 按每个任务 \$0.61 计算，Luna 每 \$100 解决 110 个任务，DeepSeek 为 532 个：便宜的模型在性价比上有 4.8 倍的优势。每次 rollout 的成本差距约为 6 倍。
• 便宜的模型换不来的一样东西是速度，这也是它与常见“flash”模型故事不同的转折：在这里 DeepSeek 反而是两者中较慢的，中位数需要 23 分钟和 148 步，而 Luna 为 16 分钟和 92 步。它是靠硬磨（输出也更多，中位数为 104k token，Luna 为 70k）。DeepSeek 的优势在于钱，而不是时间。
• 这一挂钟时间上的差距，部分源于该模型还很新；随着推理引擎针对它进行调优，预计这个差距会缩小。

失败模式：DeepSeek 比旗舰模型失败得更体面

这个便宜的模型还悄悄赢下了另一点：规范性。DeepSeek 失败时，只有 9% 的失败案例破坏了仓库现有的测试套件，Luna 则是 15%：这是 GPT 系列典型的回归特征，我们在 Sol 和其他 OpenAI 系模型上看到的同样是 15% 到 20%。两者的失败大多是差一点就成功（DeepSeek 69%，Luna 66%），但更贵的模型更容易破坏原本能正常运行的代码。如果你部署 Luna，应当用完整的回归测试来把关；DeepSeek 对这道防护的需求较小。

按任务领域对比 DeepSeek-V4 Flash 与 GPT-5.6 Luna

按代码的实际性质对 113 个任务分类，Luna 赢下 8 个领域中的 7 个。它最大的优势恰恰在需要大量推理的工作上：程序分析（69 对 33）、并发与持久性（70 对 38）、语言与运行时内部机制（86 对 59），每项大约相差 30 个百分点。这正是模型能力真正显现的地方，而 DeepSeek 在这里大幅落后。

DeepSeek 恰好守住了一个领域，而且很有代表性：查询与配置语言，78 对 70。涉及 SQL 构建器、窗口函数、keyset 分页、配置解析器等。结构化、符合模式、遵循约定的工作，正是这个便宜模型真正有竞争力、甚至领先的地方。凡是任务要求在整个系统范围内维持一个严苛不变量的地方，Luna 的能力就拉开了差距。

按编程语言对比 DeepSeek-V4 Flash 与 GPT-5.6 Luna

Luna 五种语言全胜，但差距大小提示了使用 DeepSeek 时该在哪里多加小心。它在 Rust（55 对 60）和 Go（62 对 79）上还算体面，但它的 JavaScript 表现崩塌：35 对 Luna 的 60，是整个对比中最弱的单项，落后 25 个百分点。DeepSeek 的 Python 也偏弱（49 对 65）。如果你的技术栈以 JS 为主，这个便宜的模型就是虚假的节省；如果是配置、查询或 Rust，DeepSeek 能缩小大部分差距。

DeepSeek-V4 Flash 与 GPT-5.6 Luna 有多相似？

比低价档的那几对模型差异更小。逐任务相关系数为 0.50，而多样性是一边倒的：两者共同解决 87 个任务，Luna 独自解决 15 个，DeepSeek 独自解决的只有 4 个。关键在于，不存在 DeepSeek 四次全中而 Luna 完全失手的任务（有利于 DeepSeek 的四中零角落为零），而 Luna 有四个任务四次全中、DeepSeek 却从未做对（go-critic-doc-link-checker、langchain-request-coalescing、meriyah-explicit-resource-declarations、superjson-error-stack-serialization）。两者的并集覆盖 113 个任务中的 106 个（93.8%），但其中几乎全是 Luna 自己能覆盖的部分。作为单纯的多样性搭配，DeepSeek 贡献很少。

组合策略：为什么级联依然有效

所以这样的搭配本该毫无意义。但事实并非如此，原因在于价格。先运行 DeepSeek，只有当测试套件拒绝答案时才升级到 Luna：以每个任务 \$0.385 解决 78.9%。请仔细体会这一点。它比单独使用 Luna（67.2%）更准确，提高了 11.7 个百分点，也比单独使用 Luna（\$0.61）更便宜，每个任务成本约为 Luna 的 63%。

近乎免费的第一阶段就是全部诀窍：DeepSeek 以每个一角钱的价格清掉队列中大约 53% 的任务，因此 Luna 的费用只会落在困难的剩余部分上，而到达 Luna 的任务还会获得一次额外的独立尝试。这种级联甚至胜过完美的一次性预言机路由器（74.3%），因为两次出手胜过一次完美的选择。无论哪个模型打头阵，准确率都相同，但 DeepSeek 优先便宜得多（\$0.385 对 \$0.64），所以始终应让便宜的模型打头阵。

这一组合的上限是 93.8%；两者都从未解决的 7 个任务（包括 gql-incremental-graphql-delivery 和 bandit-structured-nosec-directives）需要的是一个更强的第三个模型，而不是更好的路由器。

这意味着什么

就其本身而言，DeepSeek-V4 Flash 0731 是一款中游水平的模型：有一个真正擅长的领域（查询与配置），失败特征干净，JavaScript 上有灾难性的短板，价格则无可匹敌。GPT-5.6 Luna 在每项质量指标上都是更好的工程师：pass@1 高 14 个百分点，赢下 8 个领域中的 7 个、全部 5 种语言，而且更快。你为此要付约 6 倍的价格，外加需要加以防护的 GPT 系列回归习惯。在每个任务 \$0.61 的价格下，这款旗舰模型其实相当便宜，在你看重质量时，它是顺理成章的默认选择。但 DeepSeek 最犀利的用法并不是替代 Luna，而是充当 Luna 的前端。一个只花一角钱、就能清掉一半工作的第一阶段，让你用低于旗舰自身的价格买到超过旗舰的准确率。当便宜的模型便宜到这种程度，级联就不再是一种妥协，而成了榜单上最好的一行。

现已上线 · 开放权重

在 Together AI 上运行 DeepSeek-V4 Flash

DeepSWE 榜单上最便宜的模型，每个任务约一角钱。无需前沿模型的 token 价格，即可在生产规模上提供这个廉价的第一阶段。

打开 Playground

附录：数据表

DeepSWE · 附录

DeepSeek-V4 Flash 与 GPT-5.6 Luna：完整数据表

常见问题

GPT-5.6 Luna 比 DeepSeek-V4 Flash 更好吗？

就质量而言，是的。GPT-5.6 Luna 在 DeepSWE pass@1 上以 67.2% 对 53.3% 获胜，在每个相同尝试次数下都领先，赢下 8 个任务领域中的 7 个以及全部 5 种语言，而且速度更快。DeepSeek-V4 Flash 的优势在价格上，每次 rollout 大约便宜 6 倍，并且在失败时失败得更干净。

DeepSeek-V4 Flash 比 GPT-5.6 Luna 便宜多少？

在我们的运行中，DeepSeek-V4 Flash 每次 rollout 的成本约为 \$0.10，而 GPT-5.6 Luna 为 \$0.61，大约是六分之一的价格。按每个已解决任务衡量，DeepSeek 每 \$100 可解决 532 个任务，Luna 为 110 个，每美元完成的工作量约为 4.8 倍。

应该把 DeepSeek-V4 Flash 和 GPT-5.6 Luna 搭配使用吗？

应该，采用级联方式。先运行 DeepSeek，只有当测试套件拒绝其答案时才升级到 Luna，在我们的运行中以每个任务 \$0.385 解决了 78.9% 的任务：比单独使用 Luna（67.2%）更准确，也比单独使用 Luna（\$0.61）更便宜。始终让便宜的模型打头阵；两种顺序的准确率相同，但 DeepSeek 优先成本更低。

做编码任务，DeepSeek-V4 Flash 和 GPT-5.6 Luna 哪个更好？

在我们的分项统计中，Luna 赢下每一种语言，但差距各不相同。DeepSeek 在 Rust 上表现尚可，在查询和配置类工作上也有竞争力，甚至处于领先。它的 JavaScript 是整个对比中最弱的一项（35 对 60），因此以 JS 为主的技术栈不应只依赖这个便宜的模型。

DeepSWE 上的 pass@k 是什么？

pass@k 衡量的是对某个任务的 k 次尝试中，是否至少有一次通过隐藏的测试套件。pass@1 奖励一次就做对；更大的 k 则奖励那些经过多次尝试最终能得出解法的模型。DeepSeek 的 pass@2（70.1%）已经略高于 Luna 的 pass@1（67.2%），这正是并行尝试和级联方案在经济上成立的原因。