除夕夜阿里Qwen3.5正式发布并开源。但这篇文章我们不聊千问。因为同一天一件更有意思的事情发生了。一张声称是DeepSeek-V4的「泄露跑分图」在网上疯传几十万次浏览。SWE-Bench 83.7%AIME 2026 99.4%FrontierMath 23.5%HLE 56.2%。数字一个比一个好看。然而这大概率不是真的。这张图来自网友 bridgemindai。图里列了五个模型的对比数据DeepSeek-V4-Thinking在所有指标上都排第一。如果这些数字是真的DeepSeek-V4就是目前地球上最强的 AI 模型没有之一。但社区笔记Community Notes很快挂上了一条标注。AIME 是美国数学邀请赛15 道题满分 15 分。AI 评估中常用的扩展版本总共 120 道题可能的满分成绩只有两种119/120 是 99.2%120/120 是 100%。99.4% 对应的是 119.28 道题。小数点后面的 0.28 道题是怎么来的一个不可能出现的分数暴露了整张图的问题。而且不只是 AIME 的数据有疑点。帖子里声称 FrontierMath 达到 23.5%「比GPT-5.2好 11 倍」。但看看配图里的数据GPT-5.2 High的 FrontierMath 成绩是 18.8%23.5% / 18.8% 1.25 倍。应该是把DeepSeek-V3.2的 2.1% 错当成了GPT-5.2的成绩。更离谱的是另一个网友拿着这些未经验证的数据又做了一张更精美的「分析图表」。标题写着 「DEEPSEEK V4 LEAK: 83.7% SWE-Bench」旁边配了「Breakthrough Reasoning」「Efficiency Speed」「Enhanced Security」三段煞有介事的分析。看得我几乎都要相信了。假图归假图。但DeepSeek-V4即将发布并非空穴来风。1 月 1 日DeepSeek 创始人梁文锋亲自署名了 mHC 论文解决字节「超连接」在大模型训练时信号爆炸的问题。1 月 13 日又一篇 Engram 条件记忆论文把静态知识检索和动态推理拆开处理。1 月 20 日开发者在 FlashMLA 代码库里挖到 28 处「MODEL1」引用分布在 114 个文件中。架构和V3.2完全不同。而这个日期恰好是R1发布一周年。2 月 11 日DeepSeek 悄悄把上下文从 128K 扩到了百万 tokens知识截止日期也更新了。论文是真的代码是真的产品升级也是真的。但那张被疯狂转发的跑分图大概率是假的。The Information 曾爆料V4在 HumanEval 上跑到了 90%SWE-Bench 超过 80%。这些数据来自「知情人士」和「内部测试」听起来比那张图靠谱得多但同样没有经过独立验证。真的假的都在传因为大家太渴望下一个「DeepSeek 时刻」了。我是木易Top2 美国 Top10 CS 硕现在是 AI 产品经理。关注「AI信息Gap」让 AI 成为你的外挂。