Artificial Analysis 给 DeepSeek V4 Flash 0731（max）建了一整套评测页面。九项智能测试、幻觉可靠性指数、成本效率、上下文窗口、参数规模，维度齐全。
翻遍全页，分数栏是空的。价格、参数量、具体得分，一个数字都没有。多数模型发布时，跑分和定价通常同步放出；这次框架先搭好，数据后补，顺序反过来了。
评测页测了什么
| 维度 | 说明 |
|---|---|
| Intelligence Index v4.1 | 9项加权测试：GDPval-AA v2、τ³-Banking、Terminal-Bench v2.1、SciCode、Humanity's Last Exam、GPQA Diamond、CritPt、AA-Omniscience、AA-LCR |
| 幻觉可靠性 | AA-Omniscience，-100到100分，答对加分、答错扣分、拒答不罚 |
| 成本效率 | 按输入、缓存命中、缓存写入、推理、输出Token加权算“每任务成本” |
| 上下文窗口 / 参数规模 | 两条独立线：前者关系长文档和RAG，后者只在开源模型间可比 |
AA-Omniscience这一项值得单独说。它把“敢不敢承认不知道”也算进可靠性，而不是只看知识面广不广。这个设计比单纯拼综合分更贴近真实调用场景——一个模型乱答比不答更危险。
分数空着，说明什么
问题不在评测框架本身，而在填进去的数字还没来。框架齐全不代表结果已出，这两件事经常被混在一起说。
“Flash”这个命名本身带着速度和便宜的联想。但命名策略和真实性价比是两回事，九项测试没跑完，谁也说不清它在Intelligence Index上能排到哪一档。
材料里也没说这份评测数据会不会经DeepSeek官方确认，还是Artificial Analysis单方面测出来的。这一点原始页面没交代，不能替它补上。
对开发者和行业读者意味着什么
做模型选型和API成本预算的开发者，现在没法把V4 Flash放进对比表。该按什么价格、什么速率限制去评估，页面上没有依据。稳妥的做法是先按现有可查证的模型报价做预算，等分数和定价补齐后再补测这一项，不要因为名字里带“Flash”就假设它更快更省。
关注开源模型竞争的行业读者，可以先把这次“框架先于数据”当成一个时间线信号：评测机构愿意先占位挂出维度设置，说明它对这个模型有跟进意愿，但收录节奏和厂商发布节奏没对齐。接下来最该盯的不是模型本身，而是这个页面什么时候把分数栏填满——那才是能真正拿来比较的时间点。
命名唬得住标题，唬不住采购决策和调用账单。参数、价格、跑分不到手，DeepSeek V4 Flash 现在还只是一个占位符。