簡述
- OpenDesign Arena 在真實世界設計任務中給 DeepSeek V4.1 Flash 打出 81.2 分（滿分 100），達到 GPT-6 Astra 82.7 分的 98%，而每個完成設計的收費為 $0.023，Astra 則為 $1.61。
- 在受測的 13 個模型中——包括 Claude Fable 5.1、Grok 4.6 和 Qwen 3.8-Max——有 11 個得分低於 DeepSeek 的模型，且運行成本更高。只有 GPT-6 Astra 得分更高。
- DeepSeek 為 V4.1 Flash 發表的技術論文顯示，該模型在讀取提示時僅啟動其 5520 億個參數中的 80 億個，這正是其低價背後的設計選擇。
OpenDesign 是基準測試網站 OpenDesign Arena 背後的公司，本週讓 13 個 AI 模型跑同一批設計任務。得分最高的是 OpenAI 的 GPT-6 Astra。但 DeepSeek 的最新模型 V4.1 Flash 達到了最高分的 98%，而收費僅約最高價的 1.4%。
OpenDesign Arena 以 100 分制為日常設計工作評分——包括建構網頁應用程式、儀表板、行動裝置畫面與登陸頁面。其中 30 分檢查輸出是否真正符合需求；另外 70 分則評估版面配置、層級、色彩與風格契合度等設計品質。
它的設計是為了回答一個比大多數 AI 排行榜所問的更狹窄的問題：一位在職的網頁設計師明天實際上應該使用哪個模型。
在那個尺度上，GPT-6 Astra 平均得到 82.7 分，每完成一個設計耗時 11.1 分鐘、花費 1.61 美元。DeepSeek V4.1 Flash 得分 81.2，在 5.3 分鐘內完成工作，花費 0.023 美元。Claude Fable 5.1 得分 80.3，耗時 12.8 分鐘，花費 3.66 美元。
OpenDesign 測試的其他所有模型——其中包括 Grok 4.6、Qwen 3.8-Max、Kimi K3、GLM-5.3 Flash 和 Gemini 3.8 Flash——得分都低於 DeepSeek V4.1 Flash，且運行成本更高。這在受測的 13 個模型中占了 11 個。只有 GPT-6 Astra 直接擊敗了它，而且僅領先一分半。
DeepSeek 針對 V4.1 Flash 的技術報告解釋了節省成本的來源。該模型總共擁有 5,520 億個參數——這是模型在訓練期間調整以儲存所學內容的內部設定——但只會喚醒其中 80 億個來讀取傳入的提示，並喚醒 160 億個來撰寫回應。DeepSeek 稱之為因果編碼器-解碼器設計，而這正是該模型快速完成時間背後的相同技巧。
這並非 DeepSeek 首次以低成本縮小能力差距。數週前，該公司的 V4 Pro 模型在另一項基準比較中，以遠低於 Claude Fable 5 收費的價格，達到與其相差 5% 以內的表現。DeepSeek 也一直在北京招募工程師，以打造自家的 Code Harness，目標是擁有完整的代理堆疊，而不只是提供其下方的模型。
OpenDesign 的測試設定限制了這些數字所能證明的範圍。模型的輸出只有在首先能呈現為可運作的網頁時才會被評分；任何空白、損壞或被截斷的內容都會得零分，且不會重新測試。這意味著該基準衡量的是可靠、日常的設計輸出，而非一般推理或程式設計技能。
OpenAI 於 9 月 3 日發布的 GPT-6 Astra，早已以樣樣通而聞名——無論是佈局電路板、起草報稅表，還是建構 3D 場景——但早期測試者指出，它的寫作能力比它所取代的模型更弱。它在 OpenDesign 圖表上的價格與速度也符合這種通才設計：比 DeepSeek 更便宜的入門款更慢、更貴，但仍是該領域得分最高的模型。
DeepSeek V4.1 Flash 的交付率——即 OpenDesign 判定無需修改即可直接交付的輸出佔比——為 57.7%。GPT-6 Astra 的交付率為 60%。Claude Fable 5.1 的交付率為 56.7%。
