全面实测新版DeepSeek R1，我们挖出了这些隐藏亮点

DeepSeek猝不及防地更新了，不是R2，而是R1v2。

官方的通告也很“DeepSeek”，甚至可以说有点佛系，在微信交流群发了一句：

“DeepSeekR1模型已完成小版本试升级，欢迎前往官方网页、APP、小程序测试（打开深度思考），API接口和使用方式保持不变。”

看起来平平无奇，但真一顿实测下来，这个“小版本”恐怕还是过于谦虚了。

全球最大AI开源社区HuggingFace已经开源了这个新版本，名字也很实在：DeepSeek-R1-0528。不过截至目前，模型卡还没同步更新。

有需求的开发者可以自己动手部署，附上开源地址：https://huggingface.co/DeepSeek-ai/DeepSeek-R1-0528/tree/main

特点总结：

根据编码基准测试LiveCodeBench的最新结果，这一版R1的表现已经和OpenAIo3High已经五五开了，而且，它的进步也远不止于代码能力。

当然，验证一款模型是否真正“可用”，还得看它在真实场景下的表现，我们也照例跑了几个案例。

编程：网页、游戏、UI，啥都能做

【扫雷游戏】考察编程、逻辑推理

比方说，我们参考网友@ty_1215的提示词，让新版R1设计一个扫雷游戏，结果不但逻辑完整，生成代码结构工整，直接就能拿来跑。

虽然这个任务比较简单，但在逻辑推理和编程结构的处理上，也算是超出了我的预期。

【音乐播放器】考察审美、功能规划

再让它模仿QQ音乐播放器的UI设计，给它指个方向，它咔咔就是一通输出，不仅有播放器主体，还带歌词、播放按钮、封面图、进度条。

理解任务只是基本操作，但拆解指示设计出符合审美且功能完整的界面就难上加难了，最终交出的成果也给我一种它能做得更好的既视感。

【太阳系模拟】考察图形渲染和物理模拟

再放飞一点，让它模拟一个太阳系，包括太阳、八大行星和月球，能展示公转轨道、自转动画，还要求背景得带上动态的星星。

生成的效果虽然颜色配得土了点，但搭配漫天的星星，整个空间氛围感直接拉满，尤其是那个可缩放可旋转的视角，完全可以作为中小学科普动画的原型演示。

写作：喜大普奔，终于不油腻啦

【风格模仿】考察写作、深度理解

除了写代码，新版R1写文章的水准也有大幅度提升。一句话概括，就是更有人味了。

春节期间，我们让DeepSeekR1以《百年孤独》的风格写春节面对七大姑八大姨的故事，当时就发现，旧版R1文笔最大的毛病太爱堆砌意象，拽大词，读着有点油。

这次用R1v2复刻同一个问题，风格明显收敛不少，语言更自然，意象不突兀，有文学感但不矫情，读起来更自然了。

最近看到一句文言文版的“懂的都懂”，我心想，新版R1停留在字面意思就已经实属不易了，结果出乎意料，它不仅提供字面意思，还深挖了个深层含义，以及甚至从哲学角度开始思考。

类似的，我们3月份的时候让DeepseekR1对《红楼梦》脂批中的“情榜”进行解读，发现它的深度思考过程逻辑性较弱，零散地整合了不同网页的观点。

而且，“泛灵论”“理性超越”“异化”等非口语化的词汇还是频繁出现，分析内容也较为机械干瘪。

这次拿同样的问题问R1v2，观察它的深度思考过程，发现思考过程的逻辑性更清楚完整，不再是对网页信息的零散整合，且有关注到“用户可能没意识到但值得深挖的点”。

最重要的是，它在生成回答时自行“注意避免学术腔”，也添加了生动的场景例证。

思维链及推理：依然靠谱，还更清楚

语言能力的进步，不仅对于文本生成很重要，更加是渗透在每个环节——尤其是思维链。

思维链反映的是模型是怎么想的、为什么得出这个结论，以及它怎么表达自己这一系列经过。

DeepSeek这次的升级，并不只是“答对题”这么简单。更重要的是，它在推理路径上的一些细节变化，开始显露出新的能力结构。

【鸡兔同笼】：考察推理理解、解法多样性

鸡兔同笼是非常经典的“必考题”，没有模型能逃得过。新R1的表现展现出很好的稳健性：一开始用设元+解方程，体现出结构化建模能力。后面补了一种逻辑回推法——一种典型的奥数思维训练套路。

两种方法互补，验算结果，保证正确。在整个思维链展开中，每一个变量意义、每一步计算、每一个代入都交代得明明白白。尤其是中间过程的口语化表达，非常适合给不那么擅长数学的读者阅读。

不过，整个过程里没有出现自我纠错？这不应该啊，再上个题试试。

【计算时针角度】考察混合题型、基本几何知识

这题看下来，可以拍着良心说，CoT的进步相当明显。

首先有清晰的结构意识，先讲“表面方法”，用基本角度计算；再引入“常用公式”进行验证；最后还能进行反向校正，验证。

“时针角度”的计算是非常理想的模型测试题，因为除了要计算数值，也要有简单的几何概念。新R1不仅能完成计算，还体现基本的几何空间感。

整个过程中，多次出现了“我再确认一下”“有时候会有人算错”“我可能漏掉了什么”这些自查，说明模型现在并不只是一股脑的列数据，而是有“我正在思考”的姿态——虽然只是姿态，但这不就是CoT的核心吗？

【语义陷阱推理】考察分词能力、嵌套推理拆解

这看似一个脑筋急转弯，但实际上，所谓的“真话假话”之间互相嵌套，在推理上要真正理解“最少”和“最多”的语义。

这也就意味着不能武断地分词，必须考虑每一种情况。因此这道题的思维链和解答都是最长的——超过了四千字。

语义理解没有翻车，这点很不错。从两个互斥的假设出发，来一点点完成推理，考虑了尽可能多种场景和可能性。

在“总是说谎”这个条件解释上，新R1没有过多解释。实际上，中文里它是会引发歧义的，“总是”二字会误导模型以为是“过去一直都说谎”而非“当下说谎”。它这次没踩坑，可能有一定概率是靠“幻觉”躲过去了。

不过，这一题是真实暴露出了问题：无论是思维链，还是最后的解答，叙述方式都是典型的“语言模型思维链+流水账排查”，写得跟个五年级数学作业一样，洋洋洒洒也啰啰嗦嗦……

如果生成一个链条图、思维导图，可能会更清楚。

总体来说，新R1“脑子”比以前清楚了，推理一如既往的靠谱。在代数推导、假设排除等环节表现稳定。推理路径整体连贯，基本能准确理解语义陷阱类题目中的逻辑关系。

思维链的表现来看，相比于之前的略显冰冷的“理工脑袋”叙述方式，这一次的CoT有点像是把模型的“脑内小剧场”摆了出来。但要更贴近“人类思维风格”的表达，还需在精炼、组织与重点识别上继续优化。

除了我们的测试，网友们的反馈也进一步验证了新版R1的进步。

以经典的小球测试为例，从网友@flavioAd发的测试结果来看，新旧模型差距相当明显：旧版R1的球动作生硬、弹跳粘线，像是被钉死在轨道上；新版R1的球运动更自然、重力感更强。

用网友的话来说，“这个新版的球有自我意识，自己决定什么时候弹跳”

另一个测试来自博主@karminski3，他拿DeepSeek-R1-0528和Claude-4-Sonnet测试了一个球体撞墙的案例。

同样的提示词，Claude输出了542行代码，DeepSeek直接来728行，功能更全、细节更细，尤其是控制面板的配色、反射、FPS表现……有点工业设计作业的即视感。

模型的基础常识能力在此次更新中有所升级。网友@Yuchenj_UW提到，DeepSeek-R1-0528是目前唯一一个能稳定正确回答“9.9-9.11等于多少？”的模型。

网友的梗也没落下。有人调侃DeepSeek写代码像freestyle：如果数学天才陶哲轩DeepSeek强强联合，说不定真能出个“专辑”。当然，他所说的专辑不是音乐，而是一份能解决当代数学难题的论文。

知名X博主@slow_developer也加入了实测阵营，称赞“DeepSeek真是王者归来……”他为R1v2设计了一道中等复杂度的任务：构建一个单词评分系统。

DeepSeekR1简单思考了一下，一次性生成两个文件，一个是主程序，一个是测试脚本，代码结构清晰，逻辑闭环，首次运行就顺利通过，没有报错。

目前据他测试，只有OpenAI的o3模型曾经能做到这种稳定输出，DeepSeekR1v2是第二个。

网友@mishig25的案例则演示了R1v2在HuggingFacePlayground上完整跑通ChatTemplate，实现结构化函数调用的过程。

从解析用户意图、触发具体函数，到最后组合成回答的完整流程，DeepSeek全程干净利落，表现出极强的指令理解+执行能力。

简言之，别被DeepSeek-R1-0528这个朴实无华的名字忽悠了。

坏消息是，新版R1的发布意味着R2恐怕还得再等等，好消息是，新版R1表面看着是个“小版本”，实则是一次能打的真升级，不管是可用性、稳定性，还是复杂任务的完成度，全都肉眼可见地往上抬了一档。

如果你还在苦等R2，不妨先认真看看R1v2。用过一次，就真的回不去了。不过DeepSeek啊，咱就是说...那“服务器繁忙”的提示，能少点不？