一张DeepSeek V4的基准测试截图引爆AI圈，其SWE-bench得分高达83.7%，超越了所有顶尖闭源模型。然而，这份成绩单很快被质疑数据造假，发布时间也成谜。本文将深入剖析泄露信息背后的技术突破、争议焦点，以及这背后反映的AI行业现状。
智能速览
DeepSeek V4疑似泄露，SWE-bench分数达83.7%，超越GPT和Claude。
技术亮点包括百万级上下文和Engram记忆机制，号称实现全仓库推理。
泄露数据被多方打假，核心分数涉嫌伪造，可信度存疑。
模型评测细节缺失，高分不一定代表真实工程能力。
DeepSeek已在灰度测试百万上下文能力，或为V4-lite版本。
预期V4将在编程、上下文处理、推理能力上实现重大突破。
精华内容
从全网刷屏的“新王归来”，到权威机构下场打假，DeepSeek V4的泄露风波更像一面镜子，映照出AI圈的狂热与理性。这究竟是技术奇点的前兆，还是一场精心策划的数字表演？
性能数据炸裂
泄露信息显示，DeepSeek V4在SWE-bench Verified上取得83.7%的历史性高分，显著超越了Claude Opus 4.5的80.9%与GPT-5.2的80%。同时，传闻其具备100万token的超长上下文和Engram记忆机制，号称能实现真正的全仓库级代码推理。若数据属实，这不仅是开源模型的胜利，更可能标志着AI编程能力曲线的陡峭抬升，在代码、竞赛数学等维度刷新现有天花板。
可信度受挑战
狂热很快被冷静的审视取代。Epoch AI确认FrontierMath数据集的评估结果为伪造，因为仅有他们和OpenAI拥有评估权限。此外，官方评分系统逻辑也对泄露的99.4%高分提出了质疑。多个关键基准测试的可信度被动摇，加之官方发布时间传闻推迟至三月底，让这次泄露更像一场营销预演。没有完整的评测报告（如pass@k、工具栈配置、污染检查），再高的分数也只是一个孤立的数字。
真实技术突破
即便泄露数据存疑，DeepSeek的技术探索仍值得关注。近期，其官网灰度测试的新版本已实现100万token的上下文窗口，足以一次性处理《三体》三部曲体量的文本。这被外界解读为V4-lite版的测试。结合DeepSeek V3在架构上的创新（MLA+MoE等），V4预计将在超长上下文代码处理、算法稳定性、推理严密性上实现突破，为企业级开发带来真正的生产力革命。
编程格局生变
当前，Claude被誉为“编程之王”，但DeepSeek V4正剑指其王座。其核心优势在于能理解整个代码库的上下文，实现仓库层级推理，对于处理大型复杂项目的开发者极具价值。如果V4能以开源形式实现这一能力，并以远低于闭源模型的成本提供服务，那么AI编程领域的竞争格局将被彻底改写，开源模型有望首次在核心应用赛道上实现领跑。
DeepSeek V4的泄露风波，是技术突破期望与信息真实性焦虑的交织。它既展示了开源AI冲击顶峰的雄心，也揭示了Benchmark文化中的浮躁。无论真假，市场对更强编程模型的期待已被点燃。当真正的V4发布时，它能否经受住严苛的现实考验，为开发者带来实质性的效率飞跃？答案值得期待。
关键评论
对泄露数据的真实性表示怀疑。
借机调侃AI圈每逢过年就发布“重磅”消息的现象。
认为媒体的宣传用词过于夸张，已经词穷。
