DeepSeek金融场景深度测评报告以及FundaAI本周15篇报告

• Deep|AGI可能在2-3年内到来，需要有AGI First的Mindset，以及什么是Agentic Scaling Law
• Collyer Bridge：Forgent Power Solutions （Premium Research）
• Preview|NOW 1Q26：渠道调研符合预期但宏观仍然不稳定
• Collyer Bridge：APAC Wrap 21 APRL（Premium Research）
• Preview|META 1Q26：Influencer、Overlays与LLATTE成为新增长点；Location Fees与Stripe合作是增量（Premium Research）
• SpaceX Deep Dive：Part3——当发射成本趋近于零，太空的想象空间在哪里
• Research|TPU 8t/8i and Virgo Network
• Review|NOW 1Q26：正变成下一个CRM？
• Deep|美国太空核竞赛：NSTM-3产业链瓶颈与投资机会（Premium Research）
• Review|NOK 1Q26：新兴AI基础设施受益者（Premium Research）
• Preview|AWS 1Q26：Claude API驱动增长加速（Premium Research）
• Review|INTC 1Q26：LBT领军完美执行，服务器需求强劲增长（Premium Research）

DeepSeek V4 深度评测：38项任务横评 Claude、GPT-5.4

重要说明：本报告不是研究报告，而是由 FundaAI 工程团队完成的模型评估报告，并非由 FundaAI 分析师团队撰写，也不代表 FundaAI 分析师团队观点。

所有测试用例均基于 FundaAI Platform 的真实工作环境。

截稿时，GPT-5.5 尚未正式开放 API。仅通过 Codex 5.5 进行测试，可能无法完整反映其 API 版本的真实表现。我们目前只对 DeepSeek V4 进行了紧急测试；GPT-5.5 的 API 正式开放后，我们会尽快补充其测试结果。

核心结论

• Claude Opus 4.6 (Thinking) 与 Claude Opus 4.7 并列综合第一：二者加权平均分均为 8.72。Opus 4.6 Thinking 更强在编程和 hard reasoning，Opus 4.7 更强在写作和完整覆盖的多步任务。
• DeepSeek V4 Pro (Thinking) 在已完成的多步任务上分数最高：平均 8.90，高于 Opus 4.7 的 8.87；但它只完成了 29/38 个任务，几个 hard coding/reasoning 任务发生 timeout，因此不能简单当作 full-suite 第一。
• 标准版 DeepSeek V4 Pro 综合排名第三：加权平均 8.27，并且在 16 个金融研究任务上与 Claude Opus 4.7 打成 7-7。
• DeepSeek V4 Pro 拿到唯一一个金融研究 10/10，因为它给出了对 NVDA game theory 任务的最好答案。它不是因为篇幅长而得高分，而是完整展开了 11 个参与方、18 个引用和 forced-move economics。
• Thinking mode 是明显的质量杠杆，但不是免费升级。 它把 DeepSeek Pro 的多步任务分数从 8.29 拉到 8.90，把 Flash 从 8.06 拉到 8.55；代价是更高延迟和更高 timeout 风险。
• GPT-5.4 仍是最快的 full-suite 模型：平均 105s，最新综合分为 7.88，与 Claude Opus 4.5 并列；它仍强在 production incident debugging 和 system design，但不再是编程表第一。
• GPT-5.5/Codex 5.5 已经展现出很强的编程能力，但我们会等官方 API 可用后，再用同一套 runner 做正式基准测试。
• Flash 比 Pro 快 36%，平均耗时 165 秒 vs 256 秒，同时整体质量接近，更适合对延迟敏感的生产环境。
• DeepSeek V4 的成本优势很明显。Flash 约 $0.007/task，Flash Thinking 约 $0.008/task，Pro 约 $0.10/task，Pro Thinking 约 $0.15/task，均低于 Claude Opus 的单任务成本估算。
• DeepSeek V4 的相对短板主要在呈现方式，而不是分析能力。 它通常给出高密度的 markdown 分析；Claude Opus 4.5 则更容易生成可直接用于 dashboard 的 OpenUI charts、metric cards 和 data tables。
• 前沿模型正在形成三方竞争：Anthropic 强在写作、财报电话会细节和引用严谨度；DeepSeek 强在分析深度、数据综合和成本；OpenAI 在工程任务、故障复盘和速度上表现突出。GPT-5.5 的 API 结果需要等正式开放后再补测。

1. 摘要

DeepSeek V4 是 DeepSeek 的下一代基础模型。本次我们通过 Pandora API 测试了两个版本：Pro（更深入、更慢，偏重完整性）和 Flash（更快、更简洁，偏重生产吞吐）。两者都支持多轮对话和完整工具调用。我们将它们与其他前沿模型配置横向比较，任务覆盖编程、推理、写作，以及需要实时数据和工具调用的复杂多步分析。

在分析型任务上，DeepSeek V4 Pro 仍然进入与 Claude Opus 4.7 同一梯队；但最新 full-suite 综合分数表中，Claude Opus 4.6 (Thinking) 与 Claude Opus 4.7 并列第一。 38 个任务综合看，Opus 4.6 (Thinking) 和 Opus 4.7 的加权平均均为 8.72，DeepSeek V4 Pro 为 8.27。DeepSeek V4 Pro (Thinking) 在已完成多步任务上达到 8.90，但因为覆盖不完整，更适合被理解为高质量 thinking-mode 结果，而不是完整榜单第一。

与标准 Claude Opus 4.6 相比，DeepSeek V4 Pro 仍在同一梯队（8.27 vs 8.17），但 Pro 在若干金融研究任务中更有分析深度。与 Claude Opus 4.5 和 GPT-5.4 相比，DeepSeek V4 Pro 领先约 0.4 分（8.27 vs 7.88）；Opus 4.5 的优势仍然主要在 OpenUI 视觉呈现。Flash Thinking 在已完成多步任务上达到 8.55，成本约 $0.008/task，是很值得关注的质量/成本组合，但完成率为 33/38。

成本是 DeepSeek V4 最值得关注的变量之一。 Flash 约 $0.007/task，Flash Thinking 约 $0.008/task，Pro 约 $0.10/task，Pro Thinking 约 $0.15/task；相比 Claude Opus 的 $0.70-$1.10/task，DeepSeek 在复杂研究任务上的边际成本明显更低。两者还支持 1M context、384K max output，以及 cache-hit 折扣。

测试范围

Source: Funda AI

Source: Funda AI

说明：Claude Opus 4.6 (Thinking) 是同一个 Opus 4.6 模型，但显式启用了 extended thinking（budget_tokens=10,000）。DeepSeek 的 Thinking 行来自 public API thinking mode；由于若干 hard coding/reasoning 任务 timeout，覆盖不完整。SSL、API bug、proxy timeout 等基础设施问题不计入模型能力失败。

2. DeepSeek V4 详细表现

2.1 速度与延迟

Source: Funda AI

Pro 慢在哪里：主要慢在复杂多轮、重工具调用任务上，例如 comps（577s）、financial policy（468s）、game theory（450s）、DCF（439s）。Pro 通常会调用更多工具，也会生成更长的中间分析。

Flash 快在哪里：主要快在财报相关和简单检索任务上，例如 semi-sentiment（49s）、financial data（18s）、multi-company（73s）。Flash 收敛更快，工具循环也更少。

2.2 输出效率

Source: Funda AI

Pro 在每个金融研究任务中平均多生成约 30% 的分析内容。这不是简单凑字数，而是体现在更多表格、更深的竞争拆解、更多引用和更完整的情景分析上。最典型的是 game theory：Pro 输出约 4,260 words，覆盖 11 个参与方和 18 个引用；Flash 约 2,800 words，框架相同但深度略低。

2.3 成功率与稳定性

Source: Funda AI

2.4 分类表现

• 多步任务：这是 DeepSeek V4 最强的类别。标准 Pro 在 16 个金融研究任务上与 Opus 4.7 打成 7-7；开启 thinking 后，Pro 在已完成多步任务上达到 8.90，Flash 达到 8.55，但覆盖不完整。
• 编程：标准 Pro/Flash 平均分约为 8.1，表现稳健；Pro Thinking 在已完成 4 个编程任务上为 8.48，Flash Thinking 在已完成 6 个编程任务上为 8.44，但 hard coding timeout 是主要限制。
• 推理：标准 Pro 为 8.17，Flash 为 8.12；开启 thinking 后，Flash 在已完成推理任务上为 8.63，Pro 为 8.53。Claude Opus 4.6 (Thinking) 仍以 8.82 领先。
• 写作：Opus 4.7 平均 9.17，并拿到唯一写作 10/10。DeepSeek Pro Thinking 为 8.80，标准 Pro 为 8.33，Flash Thinking 在完成的写作任务上为 8.20，标准 Flash 为 7.87。

2.5 Thinking mode：质量提升与代价

Source: Funda AI

Thinking mode 的提升很明显，尤其体现在 earnings recap、DCF 和复杂多步任务上。但它也带来更高延迟、更长输出和更高 timeout 风险。因此本文把 DeepSeek thinking 结果作为“已完成任务质量”来解读，而不是直接替代完整覆盖模型的综合排名。

3. 横向比较：所有模型

3.1 速度

Source: Funda AI

3.2 成功率

Source: Funda AI

3.3 多步任务质量（0-10，21 个任务）

Source: Funda AI

3.4 编程、推理、写作与成本

* Thinking mode 分数只基于已完成任务。

Source: Funda AI

3.5 综合排名（0-10）

Source: Funda AI

* DeepSeek thinking 行覆盖不完整；加权平均仅基于已完成/已评分任务，不应直接视为 full-suite 排名。Kimi K2.6 仅测试金融研究任务。

4. 详细分析：DeepSeek V4 与所有模型的分类对比

4.1 多步任务：详细比较

多步任务共 21 个，包括 16 个需要实时数据检索、多轮工具调用和分析综合的金融研究任务，以及 5 个分析/工程类任务：research synthesis、contrarian analysis、SaaS IPO、production incident debugging、ML pipeline design。

DeepSeek V4 vs Claude Opus 4.7：金融研究任务 7-7 打平

Opus 4.7 的优势：财报电话会整合、管理层原话、Q&A 主题、市场反应分析、引用严谨度、数据校验，以及更保守的估值方法，例如把 SBC 当作真实成本处理。

DeepSeek V4 的相对优势：在 game theory、multi-company comparison、sentiment analysis 等复杂框架中更愿意展开长链条分析，也更善于综合 insider transactions、options Greeks、供应链细节等多类数据源。它的输出通常更长，但有效信息密度也较高。

任务亮点：

• Earnings Recap：Opus 4.7 明显领先，包含 5+ 条管理层原话、Q&A 主题分析和股价反应跟踪。DeepSeek 的 recap 合格，但少了专业 equity research 所需要的财报电话会细节。
• Game Theory：DeepSeek 10 vs Opus 9。DeepSeek 对 NVDA game theory 任务给出了全场最佳答案，覆盖 11 个参与方、18 个引用和 forced-move economics，是本次测试唯一的金融研究满分。
• Sentiment Analysis：Opus 4.7 略胜；DeepSeek Pro 仍然给出了很强的归因分析，并捕捉到 Opus 漏掉的 CEO interview data。

DeepSeek V4 vs Claude Opus 4.6：7-7-1 打平

Claude Opus 4.6 更擅长搭建结构化分析框架，例如 comps、industry primers、recruitment intelligence。DeepSeek 则更擅长给出单点深度洞察，例如 Singapore reclassification、forced-move economics、EV/EBITDA + P/FCF + capex divergence。

两者文字量没有明显差距：Claude Opus 4.6 平均约 1,531 words/task，DeepSeek 约 1,559 words/task。真正的差异在组织方式：Claude 更常搭建多表格框架，DeepSeek 更常写高密度分析段落。

DeepSeek V4 vs Claude Opus 4.5

DeepSeek 在此前直接比较中 11-5 领先 Opus 4.5，主要来自更深的多步分析和更复杂的工具调用链。但 Opus 4.5 有一个真实优势：视觉呈现。它输出的 OpenUI components（MetricCards、BarCharts、LineCharts、DataTables）在 dashboard-style briefing 中更好用。后来 Opus 4.7 已经基本补上了 Opus 4.5 与 DeepSeek 的分析质量差距，在金融研究任务上与 DeepSeek 打成 7-7。

视觉呈现与结构化输出

DeepSeek V4 的相对短板不是分析能力本身，而是视觉化、UI 化、可直接做成 dashboard 的呈现方式。本次基准测试并没有直接测试多模态图片生成，因此不应把结论写成 “DeepSeek 不擅长多模态”。更准确的说法是：DeepSeek 通常给出高质量的 markdown 分析；相比之下，Claude Opus 4.5 更容易生成 OpenUI 风格的 metric cards、bar charts、line charts 和 data tables，更适合直接用于 dashboard 或可视化报告。

这对用户体验有实际影响：如果目标是给研究员阅读、做模型推理和数据综合，DeepSeek 的输出非常有竞争力；如果目标是直接复制到 dashboard、newsletter 或投研系统中，作为可视化组件使用，Claude Opus 4.5 的呈现方式更接近成品。

图 1：同类招聘情报任务的呈现方式对比

Claude Opus 4.5 输出 OpenUI DataTable/BarChart；DeepSeek V4 输出 markdown 表格与段落。

Source: Funda AI
DeepSeek V4 vs Kimi K2.6

Kimi K2.6 完成了全部 16 个金融研究任务，game theory 表现强（9/10），并且在部分复杂金融分析任务上有不错深度。但它的整体一致性和覆盖范围低于 DeepSeek。最新综合分只基于金融研究任务计算，因此直接比较时应注意它并没有覆盖编程、推理和写作任务。

DeepSeek V4 vs GPT-5.4

GPT-5.4 在完整多轮工具调用设置下，production incident debugging 拿到 10/10，并且仍然是最快的 full-suite 模型，平均耗时 105s。它的 rate limiter 输出相对浅（summary-only，约 1,111 chars），和 Opus 4.7 的 production-grade implementation 有明显差距；此前 causal inference 的 10/10 也被重新校准。金融研究方面，GPT-5.4 在最新 multi-step 表中平均 7.65，低于 DeepSeek Pro 的 8.29 和 Opus 4.7 的 8.87。GPT-5.4 最新综合分为 7.88，与 Claude Opus 4.5 并列，低于 DeepSeek Pro（8.27）和标准 Opus 4.6（8.17）。GPT-5.5/Codex 5.5 已经显示出很强的编程能力，但正式结论需要等 API 开放后用同一套基准补测。

4.2 编程：详细分析

表格缩写：DS-Pro = DeepSeek V4 Pro，DS-Pro(T) = DeepSeek V4 Pro (Thinking)，DS-Flash = DeepSeek V4 Flash，DS-Flash(T) = DeepSeek V4 Flash (Thinking)，Opus 4.6T = Claude Opus 4.6 (Thinking)。

标准编程任务（4 个）

Source: Funda AI

Hard Coding 任务（4 个）

Source: Funda AI

“—” 表示该任务未完成，原因可能是基础设施失败或 thinking-mode timeout。

DeepSeek V4 在编程任务上的亮点：

• Deadlock debugging：标准 Pro 和 Flash 都给出了 textbook-level 的 lock-ordering 分析。它们能准确定位 root cause，给出正确且最小化的修复方案，并指出 “holding locks across await points” 这样的生产级风险。
• Flash 速度：Flash 编程任务平均耗时约 116s，是编程类多轮模型里最快的配置之一。
• 代码质量：标准 DeepSeek 输出通常结构清楚，包含 error handling、thread safety、edge cases 等关键要素。

DeepSeek V4 的编程短板：

• Interpreter 任务：DeepSeek 标准 Pro/Flash 得分均为 8，而 Claude 在同类任务上接近 9。主要差距在测试覆盖和错误处理细节。
• 标准任务 ceiling：DeepSeek 在多数标准编程任务上稳定拿到 8 左右，但 Claude 和 GPT-5.4 更容易在个别任务上冲到 9。
• Thinking timeout：DeepSeek thinking mode 在 hard coding 上分数不差，但 timeout 风险明显，需要在生产环境中单独评估。

Claude vs DeepSeek 编程对比：Opus 4.7 给出了最强的 rate limiter：48 个测试在 0.20s 内通过，覆盖 clock drift、burst overflow、fractional tokens、concurrency、memory 等边界情况。DeepSeek Flash 在标准编程任务上很有竞争力，但 Claude 在复杂实现类任务上的稳定性更高。

4.3 推理：详细分析

Source: Funda AI

Bayesian probability 是所有模型表现最稳的任务，基本都能给出正确计算和逐步推导。Opus 4.7 和 DeepSeek Pro 的答案都比较优雅：Opus 4.7 在部分推导中使用 odds-form，更简洁；DeepSeek Pro 同样正确，但解释略长。GPT-5.4 正确，但解释层面的 insight 少一些。

Logic 与 constraint satisfaction 有一定区分度。GPT-5.4 更简洁，但偶尔会遗漏边界情况。

Hard reasoning（game theory auction、mathematical proofs）：完成任务的模型整体表现都不错。Claude Opus 4.6 (Thinking) 在推理明细表中最强，game theory auction 得到 9.4，mathematical proofs 得到 9.3。Opus 4.7 的 game theory auction 也很强，包含严谨的 Nash equilibrium 分析、VCG payment 计算和 synergy-aware auction design。

总体判断：推理是差距最小的类别。前沿模型都能处理标准推理题，真正的差异更多来自解释清晰度、呈现效率和 hard reasoning 的稳定性，而不是简单正确/错误。

4.4 写作：详细分析

Source: Funda AI

Technical Blog Post（Microservices to Monolith）：这是写作类别里质量差距最大的任务。Claude Opus 4.7 拿到 10/10，也是整套测试里唯一一个写作满分。它的文章已经接近可发布稿件，有真实感很强的 VP Engineering 口吻、具体公司细节（47 services、$340K/month Datadog bill、5-trading-day onboarding metrics）、自然的人物和场景细节、量化结果表，以及对 “什么时候 microservices 是对的” 的细致讨论。

DeepSeek Pro 的技术博客也很强（8.8/10）：叙事弧线完整，虚构公司 Meridian 足够真实，围绕 payment reconciliations SaaS 展开，包含三个结构清楚的问题、root cause analysis、strangler fig migration strategy 和量化结果。与 Opus 4.7 的差距主要在声音真实感略弱，个别场景（例如 Kafka crash-loop）稍显设计感。

GPT-5.4 的博客也合格（8.5/10），核心 thesis 是 “architecture should reflect coupling, not aspiration”，结构清楚，但缺少 Opus 4.7 那种更自然的情绪纹理和具体细节。

Investment Memo：各模型差距较小，都能写出 thesis、financials、risks、recommendation 等标准结构。Opus 4.7 在估值框架上更锐利；GPT-5.4 的 memo 干净，但 recommendation 更偏谨慎。

4.5 非金融多步任务：详细分析

Source: Funda AI

NVDA vs AVGO Research Synthesis：这个任务很清楚地体现了多轮工具调用的优势。Opus 4.7 产出了一份包含实时金融数据的研究笔记，例如 $199.79 的 NVDA 股价、$4.86T 市值、71.1% gross margin、$96.7B FCF，并给出了财务 scoreboard、竞争定位、AI capex 下降 50% 情景分析和带 trigger 的具体建议。GPT-5.4 的多轮工具版本也不错，但金融数据整合深度略低。没有工具访问的单轮模型通常只能承认无法获取实时数据，然后提供框架性分析。

Production Incident Debugging：GPT-5.4 在这个任务上拿到 10/10，是全场最强。它的调试流程非常系统：triage、correlate、narrow、hypothesize，并给出 production-ready diagnostic commands，包括 pg_stat_activity、Redis info、kubectl logs filters、Prometheus queries。PIR 也完整覆盖 timeline、分层 action