GPT贵7.7倍只多对1次？DeepSeek V4.1 Flash斩杀线测评

作者：@天选嘉鲤敦赵图图

GPT贵7.7倍只多对1次？DeepSeek V4.1 Flash斩杀线测评

一句话导读：图图解读一组公开小样本测评：DeepSeek V4.1 Flash 与 GPT、Claude 在同类四任务上各跑两次；算上失败成本后，GPT 平均每次通过费用约是 DeepSeek 的 7.7 倍，但「多对一次」并不能直接推出可无脑替换。

核心内容：
1. 测评设定：同样四类任务，每类跑两次。口播数据大致为 DeepSeek 通过 7 次、GPT-6 Astra 8 次、Claude Fable 5.1 6 次；把失败次数对应的费用也摊进去后，GPT 平均每次通过成本约 DeepSeek 的 7.7 倍。样本很小（共 4 道不同题，每模型约 8 次），只能当现象观察，不能当权威排行。
2. 失败类型 A——读表却不按格式交卷：某任务要求读表后只输出 JSON。Claude 两次都把表读对了，却因前面多写解释被判失败。测试未开强制结构化输出，也没有补救程序。图图比喻：让它做西红柿鸡蛋面，它偏要加红烧肉；你纠正后，它会把「没有红烧肉」反复解释写在最前面——老毛病是「说对了但不按交付格式」。
3. 失败类型 B——工具调用小错后未自愈：另一任务要调工具读账本、翻页、去重。DeepSeek 一次成功一次失败；失败时把真正空值写成带引号的字符串（口播近似 srno/空串类错误），且未在规定的四轮响应内改回来。对照公开原始记录，与报告描述一致。
4. 能力拆解：读图/读表能不能读对，是一回事；按格式交付是另一回事；出错后能否自行恢复又是一回事。把这几项揉成一个「能力百分比」再说「便宜所以直接替换」，购买建议过于省事。
5. 使用建议：对结果容易检查的苦活累活（批量材料提取字段、核对缺漏与数字错误），可设计校验流程，让 Flash 这类低费用模型跑大部分；对边界多、出错难发现、要 AI 独立接手陌生项目的工作，仍应更谨慎，不必因为后一种很难就把前一种也一律交给最贵模型。若主要是读材料、做提取、改局部代码，简单粗暴可能才是 Flash 的归宿。
6. 命名提醒：后缀叫 Flash / Pro 不如看它真正能稳定完成什么事；作者感觉有「Flash / Pro 乱入」的错位。

适合人群：在选型 DeepSeek / GPT / Claude 做提取、工具调用与自动化交付时，需要成本与可靠性权衡参考的开发者与创作者。

补充说明：本文按完整口播转写整理；模型营销名（如 GPT/Claude 具体版本号）以视频口播为准，可能与官方正式商品名略有出入。图图另提到 RH 在线模型/工作流与注册赠额，以视频说明为准。