LMArena模型榜单出炉!DeepSeek-R1编程能力赶超了Claude Opus 4

机器之心报道

编辑：杜伟

在开源模型领域，DeepSeek 又带来了惊喜。

上个月 28 号，DeepSeek 来了波小更新，其 R1 推理模型升级到了最新版本（0528），并公开了模型及权重。

这一次，R1-0528 进一步改进了基准测试性能，提升了前端功能，减少了幻觉，支持 JSON 输出和函数调用。

今天，业界知名、但近期也陷入争议（曾被指出对 OpenAI、谷歌及 Meta 的大模型存在偏袒）的大模型公共基准测试平台 LMArena 公布了最新的性能排行榜，其中 DeepSeek-R1（0528）的成绩尤为引人瞩目。

其中，在文本基准测试（Text）中，DeepSeek-R1（0528）整体排名第 6，在开放模型中排名第一。

具体到以下细分领域：

在硬提示词（Hard Prompt）测试中排名第 4

在编程（Coding）测试中排名第 2

在数学（Math）测试中排名第 5

在创意性写作（Creative Writing）测试中排名第 6

在指令遵循（Intruction Fellowing）测试中排名第 9

在更长查询（Longer Query）测试中排名第 8

在多轮（Multi-Turn）测试中排名第 7

此外，在 WebDev Arena 平台上，DeepSeek-R1（0528）与 Gemini-2.5-Pro-Preview-06-05、Claude Opus 4 (20250514) 等闭源大模型并列第一，在分数上更是超过了 Claude Opus 4。

WebDev Arena 是 LMArena 团队开发的实时 AI 编程竞赛平台，让各家大语言模型进行网页开发挑战，衡量的是人类对模型构建美观且功能强大的 Web 应用能力的偏好。

DeepSeek-R1（0528）表现出来的强大性能激起了更多人使用的欲望。

还有人表示，鉴于 Claude 长期以来一直是 AI 编程领域的基准，如今 DeepSeek-R1（0528）在性能上与 Claude Opus 相当，这是一个里程碑时刻，也是开源 AI 的关键时刻。

DeepSeek-R1（0528）在完全开放的 MIT 协议下提供了领先的性能，并能与最好的闭源模型媲美。虽然这一突破在 Web 开发中最为明显，但其影响可能延伸到更广泛的编程领域。

不过，原始性能并不能定义现实世界的表现。虽然 DeepSeek-R1（0528）在技术能力上可能与 Claude 相当，但其是否可以在日常工作流程中提供媲美 Claude 的用户体验，这些需要更多的实际验证。

高强度使用过 DeepSeek-R1（0528）的小伙伴，可以在评论区留言，谈一谈自己的体验感受。

参考链接：

https://lmarena.ai/leaderboard/text

https://x.com/lmarena_ai/status/1934650639906197871