简要摘要
- OpenDesign Arena在真实世界设计任务中对DeepSeek V4.1 Flash的评分为81.2分（满分100），达到GPT-6 Astra得分82.7分的98%，而后者每完成一个设计收费1.61美元，DeepSeek仅收费0.023美元。
- 在被测试的13款模型中——包括Claude Fable 5.1、Grok 4.6和Qwen 3.8-Max——有11款的得分低于DeepSeek的模型，且运行成本更高。只有GPT-6 Astra的得分高于它。
- DeepSeek V4.1 Flash的技术论文显示，该模型在读取提示词时仅激活5520亿参数中的80亿，这是其低价背后的设计选择。
正文
本周，OpenDesign（基准测试网站OpenDesign Arena的开发公司）让13款AI模型通过了同一批设计任务。得分最高的是OpenAI的GPT-6 Astra。但DeepSeek的最新模型V4.1 Flash达到了该最高分的98%，而收费仅为最高价的约1.4%。
OpenDesign Arena根据日常设计工作——构建网页应用、仪表盘、移动屏幕和落地页——对模型进行百分制评分。其中30分检查输出是否符合要求；其余70分根据布局、层级、配色和风格契合度评估设计质量。
该测试旨在回答一个比其他AI排行榜更狭窄的问题：哪种模型是网页设计师明天实际应该使用的。
在此评分体系下，GPT-6 Astra平均得分为82.7分，耗时11.1分钟，每个完成的设计收费1.61美元。DeepSeek V4.1 Flash得分为81.2分，耗时5.3分钟，收费0.023美元。Claude Fable 5.1得分为80.3分，耗时12.8分钟，收费3.66美元。
OpenDesign测试的其余所有模型——包括Grok 4.6、Qwen 3.8-Max、Kimi K3、GLM-5.3 Flash和Gemini 3.8 Flash——得分均低于DeepSeek V4.1 Flash，且运行成本更高。也就是说，在被测试的13款模型中，有11款表现不如DeepSeek的模型。只有GPT-6 Astra在绝对得分上超越它，且仅领先1.5分。
DeepSeek V4.1 Flash的技术报告解释了节省成本的来源。该模型共有5520亿参数（模型在训练期间用于存储所学内容的内部设置），但在读取输入提示词时仅唤醒其中80亿，在生成响应时仅唤醒160亿。DeepSeek将其称为“因果编码器-解码器”设计，这也是该模型完成速度快廉的原因所在。
这并非DeepSeek首次以低成本缩小能力差距。几周前，该公司的V4 Pro模型在另一项基准比较中以不到Claude Fable 5得分5%的差距紧随其后，同时收费仅为Fable费率的一小部分。DeepSeek还在北京招聘工程师以构建自己的Code Harness，旨在掌控完整的智能体堆栈，而不仅仅是提供底层模型。
OpenDesign的测试设置限制了这些数字所能证明的范围。只有渲染为可工作的网页的输出才会被评分；任何空白、损坏或被截断的输出得分为零且不会重新测试。这意味着该基准测试衡量的是可靠、日常的设计输出，而非通用推理或编码技能。
OpenAI于9月3日发布的GPT-6 Astra已经在做各种事情方面建立了声誉——布局电路板、起草税表、构建3D场景——但早期测试者指出其写作能力弱于被其取代的模型。它在OpenDesign榜单上的价格和速度符合这种通用型设计：比DeepSeek更便宜的入门产品更慢、更贵，但仍是场内的最高分者。
DeepSeek V4.1 Flash的交付率（OpenDesign判断无需修改即可交付的输出比例）为57.7%。GPT-6 Astra的交付率为60%。Claude Fable 5.1的交付率为56.7%。
来源：https://decrypt.co/377917/deepseek-openai-gpt-6-astra-design-benchmark