Deepseek R1的版本更新，我大概昨天下午就感觉到了，最近在跑一个任务，同样的提示词，前天的r1和昨天判若两ai。我和朋友的原话是——
今天的r1，（*）话怎么长了好几倍？
先叠个甲，R1是我用得最多，花钱最多的api。可以看下面的截图，这个月已经消费了60亿token。
进入主题，我们来看看原本deepseek-r1和新版的变化。
在数据质量上，我有一个简单的测试任务，可以在我的github里下载到：
这个任务是在去年这篇文章的基础上修改的，目的是让o3、gemini、claude 4和deepseek r1等模型同时完成一个写论文的任务。
今年加入了更长的流程，要求大模型完成这几个环环相扣的工作：
1）阅读一个数据的结构和给定的研究想法，找到合适的数据和研究切入点；
2）根据研究想法和所选的数据，设置合理的研究方案和最终使用的数据变量；
3）根据数据和上一步生成的研究方案，撰写一系列的统计分析和作图代码，并且在遇到错误时还会自己修改。
4）根据统计分析的结果进行研究文章的撰写。
大家可以下载数据以及代码以后，在本地设置好各类环境变量，便可以自行测试。
这个任务对于大模型的考验还是比较大的，它需要在开脑洞和实现能力上取得平衡，而且每一步的幻觉需要尽可能少，比如在第一步，输入的codebook长达690行，必须从里面跳出这项研究需要的变量，一个字都不能错。第三步，要根据大模型自己生成的研究方案和数据撰写代码，这个代码也不能有问题，所以如果第一步开了脑洞想出了一个不可能完成的任务，那么第三步自然写不出可以成功实现的代码。
这样一个一键生成论文的代码，在o3、gemini和claude 4这里，大概是这样的：
o3——80%左右的成功率，o3喜欢在第一步使用很复杂的计量方法，而且在大多数时候都能真正实现，但还有20%的概率它实现不了，主要是它想出来了一个很难的依赖包，而我没有安装这个依赖包；或者是想出来了一个很复杂的实现，但是这个实现用python做不到。但只要写出文章来，o3的洞见肯定是最深的，速度也很快，大概两分钟可以写完一篇文章。但是它每运行一次耗费1美元。
gemini 2.5——90%左右的成功率，gemini的计量方法选择相对平实，但是喜欢用很多变量一起交互，变量一多，最后能运行的数据量就少，它在测试中唯一一次失败一般出现在这里，选了一大堆变量，最后有效数据是0，所以在回归分析时运行了一个空气。gemini的深度没有o3那么深，但是写的字数很多，比较面面俱到。
claude——100%，我运行了大概十个研究主题，没有一次不成功的。而且claude 4 opus画图特别好看，它每次画出来的图在美观程度上都远超其他几个模型。但是claude对数据研究分析最浅，做出来的分析和画出来的图常常是我不需要做也能想出来的。
这是顶尖三家大模型的情况。而deepseek_r1在昨天更新之前，运行这个脚本的成功率是——0%
没有一次可以跑出文章，因为昨天之前的deepseek_r1在给自己撰写研究方案的时候，就已经开始天马行空了，想出来一个不存在的变量，或者是一个不可能实现的方法，于是第三步写代码的时候，没有一次成功画出图或者做出成功的回归分析来。
但在昨天升级之后，deepseek_r1的成功率大幅度上升到了50%。我只运行了两次，它就成功了一次，说明它在脑洞终于闭合了，不会写出不可能实现的方案，代码成功率也比以前高了很多。
大家可以在我的gitub中找到我让它们用“”我想研究决定收入高低的因素都有哪些？“”这样的研究主题生成的四篇文章，看一下他们各自选择的变量和方法以及结论。
但可能有人要问，为什么不多测试几次deepseek呢？
很简单，新的Deepseek_r1，太慢了……
生成一篇文章，o3耗时3分钟，gemini耗时5分钟，claude 4耗时4分钟。
新deepseek r1，耗时23分钟。
这也是在本轮deepseek-r1后可能产生的一个副作用，由于reasoning_content加长了好几倍（价格直接上升好几倍），速度慢了很多（差不多只有之前的20%），但质量和o3，稳定性和claude的差距却依然存在（虽然缩小了），导致deepseek的比较优势反而下降了。
之前的工作流中，已经形成了这样的惯例——最难的项目找o3、最长的文本找gemini、最需要稳定的流程找claude，最需要又快又好的生产线操作找deepseek。
但是在改版后，o3、gemini和claude的比较优势没有变，deepseek自己的优势却减少了，此时需要又快又好的生产线操作，可能就会去找qwen3-235b进行进一步评估。
原本deepseek-r1的速度和价格优势把一切本地部署的尝试都打趴下，能在质量基本不落后太多的同时，达到顶尖模型5%以内的价格。在半夜进行，充分利用缓存击中，可以同时做到200个并发，速度极快。
这种速度和价格的优势是其他模型完全不能比的。
但改版后的价格上升和速度下降后，本地部署其他模型就成了一个可以讨论的选项。
大模型就是这样残酷，只有某个领域的第一名才会被使用到，第二名往后，只在榜单上可能引起欢呼，在商业使用上就是个屁。
之前的deepseek虽然质量不是第一名，但是脑洞、速度、价格都是毫无争议的第一名，脑洞大，在很多场景不是一个劣势，速度和价格就更加如此了。因此，虽然原版R1的质量没有达到第一名的水平，却值得用户在它身上花最多的钱。而r1-0528还能在这几个方面都断崖式领先qwen3吗？存在疑问。
再怎么改版，都尽量不要做一个门门都排第二的模型，如果要权衡，也至少在某一个领域保持第一名，优势才能持续下去。