AGI (Verified) 评测中的成绩公布

核心亮点

ARC Prize 公布了 DeepSeek V4.1 Flash 在 ARC-AGI（Verified）上的成绩：ARC-AGI-2 得分 72.9%，每任务成本 0.13 美元；ARC-AGI-1 得分 94.5%，每任务成本 0.07 美元。简单说，它在“考验真正泛化能力”的基准上又往前挪了一步。

具体能力或事件经过

相比 V4 Flash 的最佳成绩，V4.1 Flash 在 ARC-AGI-1 高 5.5 分、ARC-AGI-2 高 11.5 分，但每任务成本约高出 250%。也就是说，分数涨了，单价也涨了——性能与性价比需要分开看，不能只盯着榜首数字。

技术细节

ARC-AGI 以“给极少样例、测新规律”著称，被认为比常规 benchmark 更接近“类人抽象推理”。DeepSeek 用 Flash 小模型拿到这个分数，说明其蒸馏与推理优化有效；高成本则来自更长的推理链或更多采样，本质是用算力换准确率。

与竞品对比

OpenAI、Google 的前沿模型也在此榜刷分。DeepSeek 的优势仍是“同级别里更便宜”，即便 V4.1 Flash 单价上升，绝对成本仍低于多数闭源对手，对预算敏感的研究者仍有吸引力。

行业影响或适用场景

对研究者，这是观察“小模型能否逼近前沿推理”的窗口；对工程落地，ARC-AGI 高分不等于业务好用，但它是模型泛化能力的硬指标之一，能筛掉只会背题的模型。

延伸判断

分数与成本同步上升，提示“泛化”可能正在被算力堆出来。真正值得关注的是：同等成本下，小模型离前沿还有多远。

延伸观察

分数与成本同步上升，提示“泛化”可能正在被算力堆出来；真正值得关注的是同等成本下，小模型离前沿还有多远。