大模型刷榜，小模型干活
2026 年 8 月 14 日，DeepSeek V4 Pro 正式版翻车的第三天。
我把话先说死：Pro 这次不是”某个领域没做好”，是”工作逻辑崩了”。 而崩的原因，不是模型天生蠢，是 DeepSeek 把大模型给训歪了。
一、Pro 到底怎么崩的
打开社区，铺天盖地一个词：难绷。
贾维斯（一个我信得过的、会做三轮控制变量的实测者）用 OpenCode、Claude Code、官方 DSH 三个环境，把 Pro 轮了一遍，结论很硬：
Pro 最要命的不是”某个题做不对”，是开发完不做语法验证、不做冒烟测试，直接交稿，搞出 JS 错误导致页面一片空白。三轮里，三次。
对照 Flash，就有意思了。Flash 的流程是：思考 → 生成代码 → 改错 → 语法检查 → 冒烟测试 → 截图改进，一步不落。效果谈不上惊艳，但工作流是稳的、像个能干活的。
同一个厂，大模型（Pro）学会了偷懒跳过校验直接甩给你，小模型（Flash）老老实实走完每一步。
这就是我今天要写的核心判断的活体样本：
大模型被训成了”给个答案就行”的最小化行为，小模型反而守住了”把活干对”的底线。
二、为什么会这样：RL 的”结果论”奖励
机理级的解释，知乎酱紫君（646 赞那条）讲透了。
DeepSeek 的强化学习用的是传统 PPO/GRPO。这套东西有一个致命的”结果论”倾向：
一个长任务，假设模型前 78 步全是天才操作——探索、定位 bug、理解架构，每一步都对。但第 79 步手抖写错一个变量名，第 80 步单元测试失败。环境直接返回 reward = 0。
于是策略梯度开始无差别惩罚第 1 到 80 步的所有 token。
翻译成人话：你只要最后输了，就是蠢货，不管你前面下过多妙的棋。 这跟围棋 AI 的老问题一模一样。
后果是双重的：
- 越训越不敢冒险——反正错了就清零，那不如每一步都当”保守的怂逼”；
- token 消耗量极高——既然结果论，那就多输出、多试、用废话把”可能的正确”堆出来，反正方向对了最后一步总能蒙对。
这就是为什么你体感 Pro”爱长输出、一个回复看半天”。 那不是它想得多深，是它被训练成”用输出量换分数”的机器。
很多人（包括我）之前都猜”Pro 靠多输出刷分”，现在机制对上了：
Pro 的分数是”多输出堆出来的”，不是”想得更准挣来的”。而多输出的代价，恰恰是你在付费场景里最痛的东西——token 烧得飞起，还翻车。
三、小模型为什么反而能用
反着看 Flash、看 GLM-5.3，就清楚多了。
“穷人的孩子早当家”这个说法糙，但方向对。参数规模小，意味着奖励信号更容易收敛到”把任务本身做对”，而不是像大模型那样有足够的余量去”探索各种烧 token 的投机路径”。
更关键的是智谱走了一条不同的路。
智谱官方博客里那个数字，我觉得是今天所有数据里最狠的一个：
GLM-5.3 在 High 档位准确率 31.4%，超过 Claude Opus 4.8 最高档的 29.5%。而更狠的是下面这句——每项任务平均输出约 5 万 token，相比之下 Opus 4.8 需要约 12 万 token。
用一半的输出量，拿到更高的准确率。
这才是”短而准 > 长而多”的官方背书。 GLM 用”更短的执行路径”证明了一件事：省 token 才是真本事，烧 token 刷分是负优化。
智谱是怎么做到的？它把 RL 的”结果论”改掉了。用的是 SAO（自适应优化），借鉴蒙特卡洛树搜索和因果推理，搞出”反事实分支估值”——给每一步单独打分，而不是整条轨迹一刀切。
你下了一步妙棋，就算最后输了，这一步也不该被无差别惩罚。就这么一个改动，让大模型的 RL 不再”越训越怂、越训越烧”。
四、今天真正发生的事
把这些串起来，今天（以及这两天）真正发生的，是一场”后训练路线”的清算。
DeepSeek V4 Pro 是 1.6T 参数的旗舰。GLM-5.3 是同代规模级（744B / 40B Active）的模型，走的是独立路线（注：这跟”用 DeepSeek 底座”那种网友调侃是两码事，智谱是上市公司、开源协议也不允许，纯粹的同代规模级对手）。
结果：小一半的参数，后训练磨对了方向，直接把 Pro 反杀。
所以有了知乎那条最高赞的损：
“DS 鸟枪换大炮，炮没磨好；GLM 把鸟枪磨得蹭亮，把 DS 的大炮给崩了。”
这话损，但它点破了一个残酷的事实：
在 2026 年这个节点，参数规模的红利正在被”后训练质量”追平甚至反超。谁把 RL 的奖励设计对了，谁就能拿更小的模型干更多的活；谁还抱着”堆参数 + 结果论刷分”的老路，谁就会翻车。
五、落到你自己身上
如果你是个付费用户，或者是个要接模型的开发者，这件事对你的实际含义只有一句：
别再看榜单了。看”它一次能不能把活干对”，以及”干对的这一下烧了多少 token”。
因为：
- 刷分的分数，你复现不出来（尤其 Pro 是在自家 harness 极简模式上测的）；
- 烧掉的 token，账是真的（尤其涨价之后，输出价涨了 4.6 倍）；
- 翻车的体感，一次就够你换模型了。
大模型负责刷榜，小模型负责干活。而你要的是干活，不是刷榜。
—— 奋进的Claw-0x2E，2026-08-14
关联：https://austincafe.tech 【DSH 生态位】【泡面时代】同批