抢先测试 DeepSeek v4.1 Flash：画一只骑自行车的鹈鹕

9 月 9 日晚上我拿到 DeepSeek v4.1 Flash 的预览版，第二天官方才正式发布，我算是抢在发布前先试了一把。

题目是“画一只骑自行车的鹈鹕”。

这是 Simon Willison 用来随手比较模型的题目，他的标签下已经攒了一百四十多篇。这个题好在两点：一句话就能同时考形状、空间关系和机械结构；不用看跑分，肉眼就能判断好坏——鹈鹕的喙是不是喙、有没有真的坐在车座上、脚踏和车轮转不转得起来。模型在它上面翻车的姿势，往往比跑分更有信息量。

我的条件是：Codex 桌面端接 DeepSeek 官方 API，推理强度调到 high，开一个空目录，只给一句话，没有任何前置说明，不加载任何 skill，也不给它看参考图。下面按三轮对话记流水账，最后说结论。先说清楚，这不是基准测试，是一次很主观的评测。

第一轮：一句话，一分半

我发给它的全部内容是：

生成一个骑自行车的鹈鹕的 SVG 动画，输出到 ~/Downloads/ 目录

一分二十八秒之后，它交出了 ~/Downloads/pelican_bicycle.svg：1200×800，自包含，二十个 SMIL 动画元素，戴蓝色头盔的鹈鹕骑着红色自行车，背景有太阳、云、远山和路面标线，云和路面都在动。

它没有写完就把文件丢给我，而是自己做了一轮校验：先检查 XML 语法，再用无头 Chrome 在 0.05 秒、0.7 秒、1.4 秒三个时间点各截一张图，用像素差确认动画真的在变化——0.05 秒和 0.7 秒两张图差了 11.3% 的像素。然后才说完成。

第二轮：腿不自然

我看了一眼，回它五个字：“鹈鹕的腿非常的不自然。”

它没有问我是哪里不自然，直接去读自己写的路径数据，然后说出了原因：腿是一条从髋部直接弯到踏板的曲线，脚掌坐标还写死在初始位置，所以踩踏的时候看起来像腿在被拉长。改法是换成髋—膝—踝的两段式关节腿，补上膝关节的圆点，让脚掌沿踏板做圆周运动，近侧腿和远侧腿用颜色和图层区分开。

这一轮花了三分五十二秒。

第三轮：链条没有动

我又看了一遍，说：“自行车的链条没有动，不真实，再看看哪里不符合物理常识，都改掉。”

这次它的回答超出了我的预期。它先把链条改成真正绕过前齿盘和后飞轮的闭合回路，然后顺着我这句“再看看”，把整套传动关系一起查了一遍，自己又找出五个问题：齿盘和飞轮根本没有旋转动画；齿比和轮速对不上；路面标线跑的方向反了；云朵飘的方向也反了；翅膀和车把的接触点是悬空的。最后曲柄定成 1.725 秒一圈、后轮 1.15 秒一圈，链条速度、齿盘表面速度和车轮线速度按同一套关系对齐。

链条那一段做得挺较真。为了不让链条只是两条会滑动的虚线，它先用 Python 算出齿盘和飞轮的切线点，用弧线把链条连成闭合回路，再用 pathLength 把路径长度归一化，让虚线图案首尾对齐，循环时看不出接缝。

这一轮四分零一秒。

这次测试说明了什么

先说快。三轮加起来，它干活用了九分二十一秒，从我说第一句话到最后一版产出一共十二分三十七秒，中间那三分多钟是我在读结果、想下一句。全程消耗三百二十七万输入 token（其中三百二十二万命中缓存）、七万二千输出 token，输出里有四万八千是思考。对一个要画图、要算切线、还要自己截图校验的任务，这个速度已经可以算随手就能用。

比快更让我意外的是它没有把题目变成别的东西。我只要一个 SVG 文件，它就交一个 SVG 文件：没有顺手加一个网页控制面板，没有加播放、暂停、调速的按钮，没有加一层我根本没要的参数化，也没有反复解释自己有多努力。它加了天空、太阳、云、远山、路面和速度线，但这些是让一张动态画面成立所必需的东西，不是为了显得能干。

这点我忍不住要对比。之前我用某些更强的模型做同一个题目，拿到手的常常是一整套演示程序：一堆可调参数、一排按钮、一层界面，那只鹈鹕反倒成了其中最不重要的部分。做得当然都很好，但我总有种“它在回避考题”的感觉。这个观察不是我一个人的：Robert Glaser 去年做过一个 agentic pelican 实验，让视觉模型渲染自己的 SVG、看图、再重画，反复好几轮，结论是大多数模型并没有真的换思路——“它们微调、调整、加细节，但基本构图在第一轮就定了，之后几乎没变过”。

还有一件事必须交代清楚：这次测试里，它其实一次图都没看到。运行中唯一一次调用看图工具被拒绝了，提示是“该模型不支持图片输入”，它自己的思考记录里也写着看不了图。也就是说，前面三轮它找问题靠的不是眼睛，而是读自己写的 SVG 源码，加上几何和物理推理，再靠渲染出来的帧做像素差校验。它说“腿像被拉长”和“齿比和轮速对不上”的时候，是算出来的，不是看出来的。

它当然能看图：DeepSeek 官方发布说明里写了这一代有原生的视觉理解能力。这次是我这边的模型配置没有开图片输入，才让它变成了盲画。这一点得说清楚，免得读者以为是模型的能力问题。不过反过来说，它在看不见的情况下还能把问题定位得这么准，我觉得比“看图改图”更能说明它推理的那一面。

最后是结论，也是这次评测里最不确定的部分。我的判断是：DeepSeek v4.1 Flash 已经可以用来当主力的执行模型了。给它一个具体、边界清楚的任务，它执行得快、干活干净、不夹带私货，而且会自己校验，这在半年前还是需要挑模型的活儿。

但我不会把它当成能一起想方案的模型用。三轮里我没有看到它表现出对“整体方案是否完备”的关心：我说腿有问题，它就修腿；我说链条不动，它就去查物理常识。每一步都很稳，方向却是我给的。它不会主动告诉我“这个动画这样做其实不划算”，也不会问“你想要的其实是不是另一个东西”。它做得越好，我越要盯着它做得对不对——执行可以交给它，方案得我自己拿。

本文由 DeepSeek v4.1 Flash 阅读这次测试的真实会话记录后整理而成。