5月28日，DeepSeek在内部社群低调宣布 R1 的“0528”小版本试升级，并同步将新权重上传至Hugging Face与OpenRouter。
图：Hugging Face官方页面，公布了模型权重，但Model Card部分未更新
截至目前，官方还未公布完整技术报告。腾讯科技从Benchmark测试和社区的实测案例整理了本次升级的主要内容：
●上下文窗口翻倍：API 文档与旧版R1标注 64 K，“0528”在实测中开放到128K。
●代码生成性能跃升：LiveCodeBench最新榜单显示，R1-0528仅次于 OpenAI o3、o4 mini，超越xAI Grok 3 mini与阿里Qwen 3；生成的网页和交互更美观、可执行性更高。
图：在LiveCodeBench上，DeepSeek-R1-0528 接近 OpenAI 最强模型，超过Claude 3.5 Sonnet 与 Qwen3-235B，紧随其后的是 OpenAI 的 O4-Mini（Medium 配置）。
●推理风格更贴近OpenAI o3：社区评测0528新模型“语言自然度”和“对话逻辑”明显改善，不再像早期“天马行空”的叙述风格。
●深度慢思考：官方未明说，AIBase实测发现模型可持续30–60分钟链式推理，定位为“deep-thought”特性。
●开放策略延续：保持全量权重MIT 许可 + 免费 API额度依旧，对开发者保持零门槛。
图：升级点对比表格
但是，也会有推理速度慢、超长上下文情况下召回准确率下降等问题，社区评测主要反馈如下表。另外，腾讯科技在实测中发现，DeepSeek-R1-0528依然只能识别图片中的文字，还是没有图像理解的能力。
图：社区反馈的R1-0528版本缺陷
基于这次社区提到的升级点，腾讯科技测试了代码能力、语言自然度、及推理深度（数学和逻辑推理）三大场景，以下为实测结论：
代码能力增强，交互效果惊艳
1、一句话指令生成移动端界面
结论：不设定详细的提示词，仅规定界面需要简洁美观且符合现代审美标准，模型一次性成功创建了设计极简和配色干净的应用界面，顶部自动生成内容分类导航，完美实现所有设定要求，推理用时23s。
提示词：
设计一个适用于移动设备的新闻阅读应用界面，要求界面简洁、美观，符合现代审美趋势。
2、可交互网站，用户可以自定义条件，并生成对应的效果
结论：模型实现了最终的效果，能根据用户输入的不同的条件输出不同的可视化结果。交互界面设计审美在线，且有光晕和渐变感。推理用时84s。
提示词：
设计一个可以交互的网站，可以输入某人的出生日期（格式为“YYYY-MM-DD”），代码需：
根据出生日期计算一个1到9之间的“终身幸运数字”（方法自定，越神秘越好）；
根据幸运数字指定一种幸运颜色；
输出一句幽默又暖心的个性化祝福语（可根据幸运数字和颜色进行匹配）。
要求：
代码实现巧妙且具趣味性；
输出内容丰富，能令人忍俊不禁；
注释清晰易懂。
3、简单提示词制作一个小游戏
结论：模型一次成功，实测运转流畅，且基本符合提示词要求。推理用时只有13s。
提示词：
请用纯 HTML + CSS + JavaScript（无需任何构建工具）编写一款轻量、有趣、可在手机和桌面浏览器直接运行的小游戏，要求如下：
游戏主题：宇宙太空中的“小行星躲避赛”。玩家控制一艘飞船，左右移动以避开不断下落的小行星。
玩法细节
方向控制：键盘 ← → / 触屏左右半屏；
小行星随机生成，速度逐渐加快；
撞击即 Game Over，显示本局生存时间和历史最高纪录（localStorage）
视觉
背景使用 CSS 动态星空（animation）；
飞船、小行星可用 Canvas 简笔图形或 SVG；
代码结构
仅生成 一个 HTML 文件，内部 <style> 与 <script> 自含；
逻辑清晰，注释说明关键函数；
总大小控制在 200 KB 以内。
额外挑战（加分项，可选）
加入“护盾”道具：10 秒无敌，随机掉落；
支持暂停 / 继续；
输出格式：仅返回完整可运行的 HTML 代码块，无其他文字。
图：小游戏最终生成效果
4、失败案例：一句话生成3D模拟多米诺骨牌倒塌情景
结论：尝试了三次修改，R1-0528依然没能返回可以运行的结果，界面中是黑屏、无法显示多米诺骨牌倒塌的情景。
这是一个难度极高的场景：要让模型一次性写出能跑的“球撞多米诺骨牌”网页，其实要同时搞定两件难事：一是用 Three.js 之类的渲染库画出 3D 画面，二是用 Cannon.js 等物理库计算每一块骨牌和小球的碰撞，这两套系统必须每一帧都对得上号，一行错就黑屏；
而网络上的示例代码常年换版本、接口名字一改模型就容易用错；完整场景代码动辄上千行，模型在没有浏览器报错提示的情况下只能“盲写”，很难顾全所有细节；更麻烦的是，多米诺要顺序倒下，对摩擦系数、时间步长等物理参数极挑剔，稍微没调好就穿模或停住。
所以哪怕模型懂原理，也难在一次输出里把渲染、物理、版本和数值调校全部做到位，最终看到的只能是黑屏。
所以，这个场景的失败也在意料之中。
提示词：
做一个多米诺骨牌被小球碰撞之后，规律倒塌的3D场景模拟，输出html。
图：经过修改后，“多米诺骨牌”还是没能运行成功
但是，在社交网站上，@karminski-牙医用同一个prompt测试了DeepSeek-R1-0528和Claude 4 Sonnet的3D场景效果。
最终效果来看，球撞击后的物理运动规律和光线照射的情况，R1-0528的表现都比Claude4要好。
写作测试：文字风格更像o3，不再那么天马行空
结论：DeepSeek- R1以写作上天马行空的风格破圈。但新版的DeeSeek- R1-0528实测写作风格收敛了很多，虽然措辞上还是稍微显得有些夸张，但是确实更加接近o3。
提示词：
把英伟达今天发布的Q1财报，改写成 1000 字以内的新闻报道，保留财报全部关键信息。
结果如下图所示，R1-0528精准识别了今天刚刚发布的英伟达财报，并生成了有标题和小标题的完整文章，实测基本包含了财报中提到的重要信息。
提示词中，并未让它生成标题和小标题，但是作为一篇“新闻报道”，R1-0528“加戏”得比较合理。相比较，o3也给出了关键信息，读起来也比较完整，但未像R1-0528一样增加标题和小标题。
数学及逻辑推理能力：更慢更准
结论：我们没有选择那些连最聪明的人类都难以解答的前沿难题，而是选取了三道看似简单、但大模型却经常出错的题目，R1-0528 都成功答对，缺点是推理步骤过长、时间过长。做一道简单的数学问答题，所用的推理时间，甚至是做一个小游戏的几十倍。
以下是具体测试题：
1、三双不同的鞋（每双一只左鞋 L、一只右鞋 R）排成一行，要求任何左鞋的相邻位置都不能是其他双的右鞋。共有多少种不同排法？
这个问题的难点在于，排三双鞋的组合题需要精确应用容斥原理，并在枚举中保持左右对称性不重不漏（既不能漏算也不能重复计算）。LLM 在生成推导时往往先写出一两步思路后，就凭记忆填入一个“看上去合理”的数字；如果没人检查，它自己很难发现算错了。比如它常常会忽略左右鞋互换位置的情况，或者把同一种情况重复计算了好几次。简单说，AI很会讲解题方法，但不擅长一步步仔细地把所有可能情况都列出来再去掉重复的部分，所以容易算错。
R1-0528版本答对了答案——204种，但是用时963秒，进行了超长步骤的推理。相比人类大脑来看，推理模型还是缺少简化问题的能力，而是简单问题复杂化。
2、爱丽丝有X个兄弟和Y个姐妹。问：爱丽丝的每个兄弟有多少个姐妹？
这道极简单的题考察的是大模型对代词、角色和集合边界的精准解析。
AI常常把“姐妹”理解成“除了爱丽丝以外的女孩”，而不是“包括爱丽丝在内的所有女孩”，导致算错或说不确定。这是因为AI学习了大量类似问题的答案模式，倾向于选择最常见的答案，而不是一步步推理。同时，AI没有自动认识到'爱丽丝也是女孩'这个常识，除非明确告诉它。所以经常会犯错误。
R1-0528用的推理时间是37秒，且精准回答出了答案：Y+1个。
3、把70000千米/秒换算成英里/小时
这道题给模型的陷阱是，模型一旦漏乘 3600（秒到小时）或把千米-英里系数当平方/立方使用，数值就会错两个数量级；但现有惩罚信号主要针对语义可读性而非单位正确性，模型生成后也不会自检维度一致性。除非外接计算器或显式插入“单位检查”提示，否则 LLM 极易把拼凑出的数字当作最终答案输出。
R1-0528用时257秒，得出了正确的结果，但还是进行了超长步骤的推理。其实这个问题，人类如果使用科学计算器，几乎可以迅速得出结果。
图：DeepSeek- R1-0528给出的答案
总体而言，DeepSeek-R1-0528在编码和推理方面又给我们带来了惊喜，在代码生成上，它生成的程序更容易一次跑通，前端显示效果更惊艳；推理虽然比较慢，但是能把问题分得更细、想得更全，连环逻辑题正确率明显提高。虽然在综合能力，如多模态方面，它仍有很大的进步空间，但重要的是，它依然开源，依然免费。
来源：36kr
| 
12
发表于 2025-5-30 09:08:24