一张来自ARC Prize官网的成绩页显示，DeepSeek V4 Flash 0731在ARC-AGI-1半私有测试集上拿到89.0%，每道题成本仅0.02美元；在难度更高的ARC-AGI-2上是61.4%，成本0.04美元。页面挂着“ARC Prize Verified”认证标识，还附了论文链接和Hugging Face模型地址。乍一看，这是低成本推理模型在最难抓的抽象推理基准上的一次漂亮胜利。

但有一件事很奇怪：DeepSeek自己7月31日的发布通稿里，完全没提这项成绩。

官方通稿为什么不提最亮眼的分数

那天DeepSeek主推的是一串Agent和代码类基准——Terminal-Bench 2.1、DeepSWE、CyberGym、AutomationBench之类。ARC-AGI一个字都没出现。

这不太符合常理。如果一家公司真的在ARC-AGI-2这种以“抗记忆、抗刷题”著称的高难度基准上拿到61.4%,还打出全行业最低的推理成本,这几乎是能单独开一篇通稿的亮点，没有理由藏着不说。厂商通稿里的“该说而未说”,往往比说了什么更值得追问。

  • 风险.一份成绩单如果只在第三方页面出现，而厂商自身完全不引用，读者应该先假设它未经确认，而不是先假设它是真的。

三方证词互相打架，核验本身成了问题

更麻烦的是,想去确认这个页面和条目是否真实存在,得到的答案是分裂的。有人怀疑“DeepSeek V4 Flash 0731”这个命名本身有问题——版本号像DeepSeek的习惯，“Flash”却更像Google的品牌词，两种命名习惯拼在一起，容易让人怀疑是被混用或误抓取的孤立条目。也有人查不到这个条目仍挂在当前排行榜上。

支撑这个分数的论文编号（arXiv 2606.19348）对应的投稿时间和7月31日的发布日期在逻辑上能对上，但论文本身的存在性和内容尚未被独立确认。换句话说，连试图核实这件事的工具本身，都给不出一致的结论。这比“分数是假的”更值得记录——它说明面对一个看似权威却未被广泛索引的页面，现在的信息核验能力同样容易翻车。

一个连核查工具都吵不清真假的分数，本身就是一种警示信号

旁证：同期其他成绩也有复现问题

抛开ARC-AGI真假不谈，DeepSeek同一批发布的其他明星数据也不干净。官方称Terminal-Bench 2.1拿了82.7%，但独立机构此前对早期版本用不同Agent框架测出的分数只有66.4%左右。支撑这些成绩的“DeepSeek Harness”尚未开源，第三方目前无法完整复现系统级结果。多个OpenRouter第三方provider在渲染推理强度设置时也出过错，把“max”档误当成“high”档跑，导致跨平台的分数根本不能直接比较。

这套“厂商自证、第三方难复现”的模式，不是DeepSeek一家的问题，是当下AI跑分生态的通病。ARC-AGI之所以被设计成Public/Semi-Private/Private三层测试集，本意就是防止模型靠“记住答案”而不是“真的推理”拿高分——公开集的题目和解法已经有被爬进训练语料的风险。原文标注这次是Semi-Private集的成绩，理论上污染风险更低，但至今没有第三方独立复测能佐证这一点。

谁该盯着，接下来看什么

结论：如果这份89.0%成绩最终被证实为真，意味着推理成本和推理能力的曲线又被压低一档，会给OpenAI、Google、Anthropic等高成本路线的模型定价带来压力,也会强化DeepSeek“低价高质”的市场叙事。反过来,如果它被证实是命名混淆或数据造假，伤害的不只是DeepSeek的信誉，还有ARC Prize“Verified”标识本身的权威性——这套认证的价值，就建立在“挂了认证就一定可信”这个假设上。

对开发者和企业采购方来说，眼下最现实的动作是：先别把这张成绩单当作选型依据。等ARC Prize官方公开确认或撤下条目，等DeepSeek就此发一份说明，等“DeepSeek Harness”真的开源到能被第三方复现,这几件事任何一个真的落地，这份分数的可信度才算立住。