📌 周五 DeepSeek V4 终于开源，在做到了 1M 上下文 FLOPs / KVCache 的极限压缩之后，不少小伙伴问我在 Claude Code 里 DeepSeek V4 体验怎么样，和不久前支持超长程任务的 GLM5.1 比效果如何？终于今天博主在对比体验了2天之后，简单给大家分析一下。
    
📌 模型架构对比：
🌟 GLM 5.1 使用的是 DSA（DeepSeek Sparse Attention）基于 MLA + Indexer 实现稀疏注意力，相比之前的 GLM 4 系列已经实现了大幅成本压缩。
🌟 DeepSeek V4 使用的是混合稀疏注意力CSA（Compressed Sparse Attention）+ HCA（Heavily Compressed Attention）交错布层。1M 上下文下相比 V3.2 （DSA）单 token 推理 FLOPs 仅 27%、KV cache 仅 10%。
这一层看下来DS V4 的token成本控制更好，但由于任务完成的token消耗与模型执行能力/效率相关，总花费不一定。
    
📌 长程任务对比：
这里我对比了一个经典任务，让模型上网查资料，模仿马里奥赛车8做一个3D游戏，要求模型先自主规划-执行-自主规划多轮测试-交付最终游戏代码。
🌟 GLM 5.1 相对比较好的完成了这个任务，比如在跑道选择、任务选择、游戏道具、赛道跳板、加速板上都实现了对应马里奥赛车8的功能，已经具备基本可玩性。
🌟 DeepSeek V4 实现的相对简陋，并且在前期调研（网络搜索）、多轮测试中模型倾向于快速结束任务，游戏实现也相对demo，没有体现到 1M 上下文的优势。
从这个demo例子来看，长编程任务上 GLM 5.1 更强（SWEBench Pro 上GLM 5.1 更强）。
    
📌 Routine 任务对比：
另外在平时已经写好Skills的日常任务（比如搜集网站信息）上我也对比了 GLM 5.1 和 DeepSeek V4 的效果，两者表现差距不大，在基础工具调用中都能满足需求（Terminal Bench 2.0上DeepSeek V4更强），相比之下V4在这类任务上性价比更高。但是需要更多planning、长程调研的任务上，GLM 5.1 的体验更好。