“我等新模型等到它崩了两次啊，厉娜！”
11月3日和7日，DeepSeek 网页和 API 四天内两次出现部分服务中断。
第二次故障恢复后，有用户觉得网页版 V4 Pro 变强了。紧接着，一张跑分榜传开，通过率从48%跳到64%。
有人一拍大腿：DeepSeek 该不会趁着这次故障，悄悄把 V4.1 Pro 换上去了吧？
结果，“大的”还没来，辟谣先来了。
11月9日，社交平台流传的「DeepSeek 企业咨询」账号截图里，回应只有一句：“辟谣：DeepSeek V4.1 Pro灰测为假消息”。
DeepSeek V4.1 Pro 仍在训练中。
印象中 DeepSeek 很少主动回应这种模型爆料，基本都是外面传得沸沸扬扬，官方依旧闷头干活。
回头看，这场乌龙的每一步都挺容易让人信。
先是服务接连出问题，11月3日16时58分，DeepSeek 网页及 API 部分中断，对话服务、V4 Pro API 和 V4.1 Flash API 均受影响，直到18时48分才标记为恢复。
四天后，11月7日15时11分，同样几项服务又受了影响，这次故障持续约45分钟。
第二次恢复后，社区里有人拿动画渲染、鸬鹚骑自行车之类的题试模型。
还很难让人信服。紧接着，LobeHub 开发者贴出一张50道题的对比榜单，这下看起来就像回事了。
他用内部评测集 LobeBench Hard 50，把当时的网页版 V4 Pro 和8月13日版 V4 Pro 放在一起测。
50道复杂 Agent 任务，旧版通过24道，网页版样本通过32道，足足多过了8道。
发帖时，开发者说的是疑似灰度。到了11月8日，已有报道直接写成开始灰度测试，连正式版可能一周内发布的说法也跟着传开了。
灰测闹了乌龙，可16个百分点的差距又是怎么来的？
看看这张榜单的计分规则：每道题跑三遍，三遍都做成，才给这一题记分。
比如让 Agent 修一个代码仓库，前两遍读文件、改代码、跑测试都顺顺当当，第三遍在调用工具时卡住，这道题就拿不到分。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
50道题，每道做三遍。只要有一遍做成就算过，旧版过了40道，网页版过了41道，只差一道。
可榜单要求三遍都做成才算过。按这个标准，旧版过了24道，网页版过了32道，差距一下拉到了8道。
这就是48%和64%的来历：网页版在更多题上做到了三遍都成功。
模型输出、工具执行、运行环境都可能影响结果。要分清是哪一环起了作用，还得看逐题失败记录，再用相同配置复测。
至于两次故障，DeepSeek 的状态页记录了中断和恢复，并未提到切换模型。
V4.1 Pro 倒是早就在官方公告里露过面。9月10日发布 V4.1 Flash 时，DeepSeek 就提到了这个型号，10月17日实际更新的是 V4.1 Flash-1017。
截至11月10日，官方 API 更新日志里仍没有 V4.1 Pro 的上线记录。
等了半天，新模型没等到，倒是把旧模型的计分规则看明白了。
V4.1 Pro 还得再等等啊，厉娜。
END
关注+星标，获取AI前沿进展与开源一线动态