OpenDesign 基准测试：DeepSeek V4.1 Flash 以极具竞争力的性价比挑战行业标杆
本周，知名设计基准网站 OpenDesign Arena 的运营方 OpenDesign 公司，对 13 款主流 AI 模型进行了同一批设计任务的横向评测。最终，OpenAI 推出的 GPT-6 Astra 以最高分夺得榜首。然而，DeepSeek 的最新模型 V4.1 Flash 紧随其后，其得分达到了榜首分数的 98%，而成本仅为榜首模型的约 1.4%。
评测标准与核心目标
OpenDesign Arena 专注于评估日常设计工作场景，包括构建 Web 应用程序、仪表盘、移动端界面以及落地页等，总分为 100 分。其中，30 分用于考核输出内容是否真正符合需求简报；其余 70 分则从布局、层级结构、色彩搭配及风格契合度等方面对设计质量进行评分。
与大多数旨在展示通用能力的 AI 排行榜不同，该评测旨在回答一个更为具体且实际的问题：对于一线网页设计师而言，明天真正应该使用哪一款模型？
性能与成本数据对比
在该评测体系下，各主要模型的表现如下：
GPT-6 Astra：平均得分 82.7 分，耗时 11.1 分钟，单份设计成本为 $1.61。 DeepSeek V4.1 Flash：得分 81.2 分，耗时仅 5.3 分钟，成本低至 $0.023。 Claude Fable 5.1：得分 80.3 分，耗时 12.8 分钟，成本高达 $3.66。在参与测试的 13 款模型中，除了 GPT-6 Astra 以微弱优势（领先 1.5 分）胜出外，其余 11 款模型（包括 Grok 4.6、Qwen 3.8-Max、Kimi K3、GLM-5.3 Flash 和 Gemini 3.8 Flash 等）在得分上均低于 DeepSeek V4.1 Flash，且运行成本更高。
技术解析：为何能实现低成本高性能？
DeepSeek 在其 V4.1 Flash 的技术报告中解释了其成本优势的来源。该模型虽然拥有总共 5520 亿个参数（即模型在训练过程中调整以存储知识的内部设置），但在处理输入提示时仅激活其中的 80 亿个参数，而在生成响应时仅激活 160 亿个参数。DeepSeek 将这种架构称为“因果编码器-解码器”设计，这也是其能够实现极速完成时间的关键技术所在。
这并非 DeepSeek 首次通过低成本策略缩小能力差距。此前，该公司的 V4 Pro 模型在另一项基准测试中，表现已接近 Claude Fable 5（差距仅在 5% 以内），而费用却仅为后者的一小部分。此外，DeepSeek 还在北京招募工程师构建自己的代码框架（Code Harness），旨在掌握完整的智能体栈（Agentic Stack），而非仅仅作为底层模型供应商。
评测局限性与交付率分析
需要指出的是，OpenDesign 的测试设置限制了这些数据的证明范围。只有当模型输出的结果能够渲染为可正常工作的网页时，才会获得评分；任何空白、损坏或截断的输出均计为零分且不予重测。因此，该基准测试衡量的是可靠且日常的设计输出能力，而非通用的推理或编码技能。
在交付率（即无需修改即可直接交付的使用比例）方面：
GPT-6 Astra：交付率为 60%。 DeepSeek V4.1 Flash：交付率为 57.7%。 Claude Fable 5.1：交付率为 56.7%。尽管 OpenAI 于 9 月 3 日发布的 GPT-6 Astra 因具备广泛的能力（如电路板布局、税务草稿起草及 3D 场景构建）而享有盛誉，但早期测试者指出其在写作能力上弱于前代产品。在 OpenDesign 的图表中，GPT-6 Astra 体现了典型的“全能型”特征：相比 DeepSeek 更具性价比的入门级选择，它速度更慢、价格更高，但依然是综合得分最高的模型。
