DeepSeek V3.1版本实测结果出炉：性能提升尚存疑问，但中英混杂推理能力确实有所增强
近日，DeepSeek悄然更新了V3.1模型，一如既往地未发布正式公告，但AI圈内已经率先热议。不过说实话，刚上手测试了几个问题，第一反应是——自己到底有没有被更新到？因为初步体验下来，变化并不明显。
在群里问了一圈才发现，确认已更新。之前开启深度思考时，回复必定是R1模型；现在再开启深度思考，返回的却是V3。这一对比差异非常明显。
初步判断，V3.1可能是一个混合推理模型，颇有意思。与Qwen3的混合推理方向似乎相反，不过一切猜测仍需等待开源后才能验证。
既然是DeepSeek的新版本，还是有必要认真测试一番。但说实话，实测下来有些失望——或许这也正是官方在更新时仅提到“长度拓展至128K”就没了下文的原因，并未明确说明哪些方面有提升。
[图片略]先说一下测试的整体结论：我认为没有明显提升。我测试了6个维度，均未发现显著改进，甚至在某些推理任务上，表现还不如之前的版本。以下是几个典型测试案例，供大家讨论参考。
另外还注意到一个有趣的现象：V3.1思考过程中的中英文混杂变得更加明显，比R1时期要频繁得多。这可能与RLVR训练方式有关。最近有一篇相关论文《The Impact of Language Mixing on Bilingual LLM Reasoning》，结论是语言混杂反而能增强推理能力。
附一个中英混杂思考的测试实例。之前这种纯文本推理很少出现中英混用，只有数学代码场景才有，而新版本中这种情况变得非常常见。
以下是详细的测试对比（老版本模型通过硅基流动接口进行测试）。
常规测试
Prompt：将“I love DeepSeek-V3.1”这句话的所有内容反过来写
R1-0528结果：正确
V3.1结果：多了一个空格
知识理解
Prompt：如何理解“但丁真不会说中国话，但丁真会说中国话”
R1-0528结果：正确
V3.1结果：连回答里都出现了“perception”
角色扮演 & 创作
Prompt：用知乎风格写一段对比 DeepSeek-V3 和 DeepSeek-V3.1 的使用体验，语气轻松、略带吐槽。
R1-0528结果：整体感觉比V3.1强
V3.1结果：表现一般
逻辑推理：小红、老鹰与色盲
Prompt：小红有2个兄弟，3个姐妹，那么小红的兄弟有几个姐妹？
R1-0528结果：回答很全面
V3.1结果：回答正确，默认小红为女生
Prompt：未来的某天，李同学在实验室制作超导磁悬浮材料时，意外发现实验室的老鼠在空中飞……
R1-0528结果：错误
V3.1结果：错误
Prompt：女孩考了38分改成了88分，父亲看到后崩溃了……
R1-0528结果：答出了色盲，但未涉及伦理层面
V3.1结果：回答是父亲色盲，这显然不对
数学能力
Prompt：密码破译类逻辑题……
R1-0528结果：正确
V3.1结果：错误，这个R1做对了
Prompt：2025年高考全国一卷数学试题
R1-0528结果：前两问正确，最后一问错误
V3.1结果：前两问正确，最后一问错误
代码生成
Prompt：可爱风格五子棋游戏界面……
R1-0528结果：还不错，但人机对战时略显呆板，不如Qwen3-Coder
V3.1结果：人机对战时依旧呆板
Prompt：生成一个通过点击立方体的各个面逐渐展开为完整平面的交互动画……
R1-0528结果：不对
V3.1结果：更离谱
其他几个测试结果也类似，整体感觉不如Qwen3-Coder。
写在最后
V3.1版本仅提高了0.1个版本号，从目前的表现来看，没有重大提升，甚至部分任务还有所退步。需要注意的是，以上对比主要是V3.1与R1的对比，即使不开深度思考，V3.1与V3的差异也不大。
不过，仍然对R2抱有很高期待，不知道DeepSeek何时能发布。