DeepSeek V5 登顶三大榜单，开源计划仍待验证

据36氪报道，DeepSeek V5 拿下三大榜单第一，并将“年底全面开源”列为后续计划。对开发者而言，这条消息有两层含义：使用聊天端或 API 的团队应立即验证代码质量、工具调用、成本和稳定性；需要私有化部署的团队，则应等到完整权重、许可证和硬件要求公开后，再判断自托管是否真正成立。

现有信息能够支持的判断是：“第一”说明 V5 已经进入前沿模型的第一梯队，但榜单成绩能否转化为生产可用能力，以及“全面开源”最终能开放到什么程度，仍是两个需要独立验证的问题。目前引用材料只确认了三项榜单第一的报道结论和年底开源计划，没有提供 V5 在三项榜单上的具体名称、测试版本、分数、第二名差值、推理配置及官方定价，因此不能把 V4.1 Flash 或 V3.1 的数据直接写成 V5 的成绩。

三大榜单第一究竟领先了什么

榜单第一是特定评测口径下的结论，不能脱离版本、配置和任务集，把它视为永久排名。正式发布时应逐项核对模型版本、推理档位、上下文长度、工具权限、思考预算、是否允许重复提交，以及成绩来自单次运行还是多次测试。

下表只列入现有材料能够复核的数据。DeepSeek V5 三项榜单的完整明细仍需根据36氪原文和对应榜单原页逐项核实，不能拿 V4.1 Flash 的结果代填。

DeepSeek V4.1 Flash 的数据虽然不是 V5 的成绩，却能说明为什么必须区分“单项第一”和“综合第一”。Artificial Analysis 的 Intelligence Index v5 中，60%的评测权重首次建立在私有测试集或隐藏答案之上，整个指数由九项评测构成，知识工作、编码、科学和通用能力各占25%。编码部分又分为占15%的 FrontierCode 2.0 和占10%的 Terminal-Bench 4.0[1]。编码单项领先，不能据此推出模型在知识工作、科学和通用任务上同样领先。

FrontierCode 2.0 也不是常见的“代码能否运行”测试。其132项任务来自真实开源仓库，由仓库维护者按照是否愿意合并提交的 PR 进行评价，改动范围、代码风格、回归风险和阻塞性检查都会影响得分，任何阻塞性检查失败即记零分。在这种口径下，V4.1 Flash 的28%具有较强的仓库开发参考价值，但依然不能替代团队自己代码库上的测试。

Artificial Analysis 还指出，Index v4.3 时，最强开源模型与榜首的差距是3分；到了v5，差距扩大到12分。Kimi K3.1 Pro以46分成为名义上最强的开源权重模型，但其权重尚未发布；已经发布权重的模型中，32分仍是当时的最高分。评价 V5 时，除了看它是否超过其他模型，还要看它能否缩小开源权重模型与闭源前沿模型之间的整体差距。

榜单结果对开发者是否有参考价值，取决于测试与实际工作流的接近程度。如果领先来自真实仓库修改，它更接近代码代理能力；如果来自复杂推理或智能体任务，它更能说明模型在长链路执行中的潜力；如果来自综合偏好或知识工作榜单，则意味着体验和泛化能力，但不能直接推出“写代码一定更好”。榜单是否使用私有题、隐藏答案、工具调用和不同推理档位，都会显著影响结论。

因此，V5 三项第一究竟领先多少，不能只看“第一名”这个标签，还需要第二名分数、领先幅度、相同配置下的复测结果，以及是否开放权重等信息。这些信息缺失时，无法判断它是否“大幅领先”，榜单排名也不能直接转化为采购和架构决策。

V5 的能力提升需要哪些真实任务验证

模型能力至少要拆成三个层次：能否完成任务、完成任务需要多少人工介入，以及在相同成本和延迟下能否稳定重复。榜单通常不会完整呈现这些信息，尤其是提示词适配、工具调用、上下文管理和失败恢复成本。

当前引用材料没有附上 V5 的官方模型卡和技术报告，因而不能把代码生成、智能体、长上下文、中文表达或多模态能力直接写成已经验证的既定事实。V3.1 可以作为理解 DeepSeek 演进方向的历史参照，但不能替代 V5 的测试。

V3.1 线上版本曾把上下文窗口从64k扩展至128k，并可通过网页、App和小程序体验；当时开放的是未经指令微调的 Base 版本，配置文件、脚本代码和模型权重可供下载。同一轮体验中，V3.1 在前端页面、物理定律理解、创意写作、数学和回答语气上出现了变化：生成的博客页面更长、结构和视觉效果更完整，复现 Chrome 小恐龙游戏约用时两分钟，但玩法还原和可玩性仍有不足；在事实核查中，新增的细节基本得到支持，回答语气则更温和，也更倾向使用条件性表述。这些结果说明 DeepSeek 一直在调整开发体验与表达方式，却不能直接外推到 V5，更不能据此认定 V5 已具备相同或更强的能力。

要验证 V5，建议用下面这组任务建立自己的测试集：

每项测试都应固定模型版本、提示词、工具环境、上下文和输出预算，并多次重复。最好同时保存原始输出、完整差异、调用记录和人工修改量，而不是只展示最好的一次结果。对开发者而言，首次通过率与人工修改量通常比单次成功率更有参考价值；平均响应速度也需要与尾延迟、限流和失败率一起观察。

上下文长度尤其不能沿用旧版本数字。128k属于V3.1的已报道信息，不能写成V5的规格；多模态输入、工具协议和推理预算同样需要官方文档确认。中文表达是否更自然、是否减少过度迎合，也需要用业务事实核查，而不能由“回答更长”推导出来。

成本方面，现有资料中只有一位雪球个人用户称，V5 将人类顶尖水平的逻辑推理成本降至每百万 token 低于0.1元。这可以作为价格竞争的线索，却不是官方定价，也不能据此计算真实项目成本。最终比较至少要区分输入、输出、缓存命中、思考 token、限流、失败重试和不同服务档位，并结合人工复核时间计算单任务成本。

因此，即使三个榜单都拿到第一，团队仍要检查真实仓库中的成功率、幻觉率、尾延迟、调用成本和结果稳定性。榜单结果用于判断模型能力上限，项目测试则决定这种能力能否进入日常生产。

年底全面开源会先改变哪些开发环节

就目前公开信息看，还不能确认 V5 可以本地部署、微调或商用。完整权重是否公开、许可证是否允许商用和二次训练，都必须看到相关文件后才能回答。

“开放权重”“开放模型”和“完整可复现开放”不是同一概念。DeepSeek V3.1 当时开放的是 Base 权重、配置文件、脚本代码和模型权重，可供用户下载和部署。这已经比只提供 API 更进一步，但仍需逐项确认模型文件、推理代码、训练代码、数据处理流程和训练数据说明各自开放到什么程度。

年底的“全面开源”最终可能呈现为三种状态：

发布当天，开发者应逐项检查完整权重和不同模型变体是否齐备，许可证是否允许商用、再分发、二次训练和发布衍生模型，模型卡是否说明上下文长度与已知限制，主流推理框架是否适配，以及是否提供量化版本、部署示例、硬件估算和安全说明。训练脚本、数据来源说明和版本更新机制同样决定项目能否长期维护。

如果 V5 最终达到完整且可复现的开放状态，最先变化的可能是敏感数据本地处理、企业知识库 RAG、领域微调和模型路由。团队可以按任务难度在本地模型与商业 API 之间切换，也可以用多个模型分别处理代码、检索、审核和高风险判断，减少对单一供应商的依赖。对于模型供应商和创业公司，竞争会从单纯 API 质量扩展到推理框架适配、工具调用生态、部署方案和企业支持能力。

但开源并不自动等于低成本。自托管需要计算显卡或加速卡、量化与并行策略、推理框架调优、并发容量、监控、升级、安全补丁和人员维护。团队应比较的不只是“每百万 token 价格”，而是完成同等业务量所需的总拥有成本，包括可用率、故障损失和工程人员投入。

因此，年底需要观察的重点不只是仓库中是否新增权重文件，还包括许可证能否覆盖商业使用、部署文档能否让非原团队复现、硬件需求是否可控，以及模型生态能否持续更新。这些条件决定开源只是一轮短期传播事件，还是能真正改变模型选型结构的长期变量。

发稿时仍有几个问题没有答案：V5 的三项榜单成绩能否被独立复现，年底是否会如期交付完整权重，商业许可是否清晰，API 与本地部署的真实成本相差多少，以及生产环境中的稳定性是否与榜首成绩相称。普通应用开发者现阶段应优先评估 API 质量、价格和延迟；私有化团队应等待权重完整性与硬件门槛明确；模型应用创业者则应重点验证微调条件、工具链兼容性和生态维护能力。