设计基准站 OpenDesign Arena 本周让 13 个 AI 模型完成了同一批设计任务——搭建网页应用、仪表盘、移动端界面和落地页。得分最高的是 9 月 3 日刚发布的 OpenAI GPT-6 Astra，平均 82.7 分。紧随其后的 DeepSeek V4.1 Flash 拿到 81.2 分，差距 1.5 分。
价格差是另一个量级。据 Decrypt 报道的榜单数据，Astra 每完成一件设计平均花费 1.61 美元、耗时 11.1 分钟；V4.1 Flash 花费 0.023 美元、耗时 5.3 分钟。Anthropic 的 Claude Fable 5.1 得 80.3 分，耗时 12.8 分钟，单件成本 3.66 美元——是三甲里最贵的一个。
在其余受测模型中——包括 Grok 4.6、Qwen 3.8-Max、Kimi K3、GLM-5.3 Flash 和 Gemini 3.8 Flash——每一个得分都低于 DeepSeek，运行成本都高于 DeepSeek。13 个模型里，只有 GPT-6 Astra 得分更高，而且只高 1.5 分。
[1]这个榜单测的是什么
OpenDesign Arena 采用百分制：30 分考察产出是否真正满足需求说明，70 分考察布局、层级、色彩和风格契合度。它只给能正常渲染成网页的产出打分——空白、破损或截断的结果记零分，且不重测。
这意味着它测量的是「稳定可交付的日常设计产出」，不是通用推理或编程能力。运营方 OpenDesign 是一家公司而非学术机构，榜单属于自报数据，未经第三方复现。它要回答的问题比大多数排行榜窄得多：一个做网页的设计师，明天该用哪个模型。
值得注意的是另一组数字。榜单的「交付率」——无需修改即可直接交付的产出占比——Astra 为 60%，V4.1 Flash 为 57.7%，Fable 5.1 为 56.7%。也就是说，一个实际用模型的设计师体感到的差距，是 2.3 个百分点的交付率，而不是 70 倍的价格。价格差距震撼，质量差距微妙，两个数字都是真的。
[1]便宜从哪来
DeepSeek 的技术报告解释了成本结构。据 VentureBeat 分析，V4.1 Flash 主干共 5520 亿参数，但读取提示词时每个 token 只激活 80 亿，生成回答时激活 160 亿——DeepSeek 称之为因果编码器-解码器（Causal Encoder-Decoder）架构，40 层 Transformer 被拆成 20 层编码器和 20 层解码器。配合 Compressed Sparse Attention 2 稀疏注意力和 FP4 KV 缓存，全局 KV 缓存降到每 token 890 字节，约为上一代 V4-Flash 的四分之一。
但「Flash」已经不再意味着小。上一代 V4-Flash 主干为 2840 亿参数，这一代涨到 5520 亿，增幅约 94%；技术报告还单独列出了 1960 亿参数的 Engram 条件记忆模块。Hacker News 上有开发者质疑「这还叫 Flash 吗」——稀疏激活和缓存设计降低了服务成本，但权重总量接近翻倍，让本地部署的硬件门槛明显抬高，尽管这些权重以 MIT 许可开放。
DeepSeek 自己也留了保留条款。技术报告明确写道，新架构存在「尚未完全刻画」的鲁棒性边界：稀疏选择错误和 SWA Bounded Replay 的近似状态重建，可能在未经测试的边缘场景导致能力下降——尤其是超长上下文的稀疏检索和缓存恢复边界。这是发布方自己的话，不是批评者的推测。
[2]一个正在重复的模式
这不是 DeepSeek 第一次用零头价格逼近旗舰。数周前，V4 Pro 在另一项基准对比中追到 Claude Fable 5 的 5% 以内，价格只有对方的零头。V4.1 Flash 还在成为 DeepSeek API 的新重心：官方文档显示，旧的 V4 Flash 请求已由新模型承接，9 月 14 日之后 V4 Pro 也将路由到 V4.1 Flash，直到未来的 V4.1 Pro 出现。与此同时，DeepSeek 正在北京招聘工程师自研 Code Harness，目标是不只提供底层模型，而是握住整个智能体技术栈。
[1][2]买家真正在乎什么
便宜改变议价结构，但不一定改变采购排序。VentureBeat 的 Pulse 调查显示，只有 31% 的受访企业把「每百万 token 成本」列为首要基础设施成功指标，51% 选择了正常运行时间与可靠性，39% 选择开发者生产力。
真正的压力因此落在按高价出售企业级产品的人身上。就在同一周，OpenAI 正向金融机构和财富 500 强推销定制的 ChatGPT——金融版和数据分析智能体的卖点都不是 token 单价，而是数据许可、权限和工作流。开源权重加激进定价的组合，不会立刻抢走这些合同，但会出现在每一次续约谈判的桌上。
OpenDesign 的榜单回答了一个窄问题：明天做网页设计该用谁。它回答不了的，是 DeepSeek 自己在技术报告里标注的那片未知——边缘场景里，这套为省钱而设计的架构会坏成什么样。1.5 分的质量差距在多数日常任务里几乎不可见，70 倍的价格差距在每份采购合同里都清晰可见，而鲁棒性的账单总是最后才寄到。
[2]