DeepSeek V3.1 vs V4 PRO — 24点去重对比分析报告

核心指标概览

1,820

题目总数

1,362

有解题数

458

无解题数

1,358

V4 已完成去重

99.7%

🟣 DeepSeek V3.1 (671B Cloud)

去重记录数 1,820

有解记录 1,362

去重后平均解法数 2.77

去重后解法范围 1 ~ 61

去重失败（未去除任何解法） 1 题

已标记最佳解法 1,311 / 1,362

完整覆盖 1820 题已完成最佳标记

🟡 DeepSeek V4 PRO

去重记录数 1,358

有解记录 1,358

去重后平均解法数 2.79

去重后解法范围 1 ~ 124

去重失败（未去除任何解法） 17 题

已标记最佳解法 0 / 1,358

99.7% 完成度存在去重失败待标记最佳

去重效果对比

📊 去重保留率分布

⚖️ 两模型结果差异分布

📈 按原始解法数量分桶对比

🔢 去重后解法数量分布

🎯 两模型去重结果一致率

74.4%

去重后解法数完全一致 (1,010 / 1,358)

V3.1 保留更多解法 200 题 (14.7%)

V4 PRO 保留更多解法 148 题 (10.9%)

完全一致 1,010 题 (74.4%)

✅ 两模型一致题目的去重后解法数分布

去重后解法数	题目数量	占比	累计占比
1	370	36.6%	36.6%
2	343	34.0%	70.6%
3	170	16.8%	87.4%
4	88	8.7%	96.1%
5	24	2.4%	98.5%
6	9	0.9%	99.4%
7+	6	0.6%	100%

差异最大的题目 TOP 20

⚠️ 两模型去重后解法数差异最大（原始解法 > 20）

ID	数字组合	原始解法数	V3.1 去重后	V3.1 保留率	V4 去重后	V4 保留率	差异 (V3.1−V4)
862	(3,3,7,11)	124	3	2.4%	124	100.0%	−121
595	(2,3,11,12)	90	1	1.1%	90	100.0%	−89
1676	(7,10,10,11)	90	3	3.3%	90	100.0%	−87
1270	(4,8,8,8)	72	3	4.2%	72	100.0%	−69
236	(1,4,4,4)	60	2	3.3%	60	100.0%	−58
517	(2,2,8,12)	236	56	23.7%	6	2.5%	+50
1189	(4,5,8,12)	48	6	12.5%	48	100.0%	−42
1056	(3,8,9,9)	276	34	12.3%	4	1.4%	+30
1103	(3,12,12,13)	32	26	81.3%	1	3.1%	+25
1393	(5,6,9,10)	32	24	75.0%	2	6.3%	+22
1070	(3,8,13,13)	276	23	8.3%	2	0.7%	+21
545	(2,3,4,4)	130	23	17.7%	3	2.3%	+20
953	(3,5,6,9)	54	25	46.3%	7	13.0%	+18
818	(2,12,13,13)	276	20	7.2%	4	1.4%	+16
1434	(5,7,13,13)	90	1	1.1%	15	16.7%	−14
671	(2,5,6,13)	24	13	54.2%	2	8.3%	+11
481	(2,2,4,6)	364	16	4.4%	6	1.6%	+10
127	(1,2,5,7)	70	13	18.6%	3	4.3%	+10
30	(1,1,3,7)	128	12	9.4%	2	1.6%	+10
20	(1,1,2,8)	120	1	0.8%	10	8.3%	−9

V4 PRO 去重异常分析

🚨 V4 PRO 去重失败题目（保留率 = 100%，未去除任何解法）

关键发现

V4 PRO 共有 17 题去重失败（保留率 = 100%），而 V3.1 仅有 1 题去重失败
失败主要集中在 高解法数题目：124、90、72、60 等解法的大题目，可能是模型输出超长被截断，直接返回了原始解法
部分小解法数题目（4~8 个）也存在失败，说明 V4 在处理少量解法时偶有"不执行去重"的情况

ID	数字组合	原始解法数	V4 去重后	状态
862	(3,3,7,11)	124	124	去重失败
1676	(7,10,10,11)	90	90	去重失败
595	(2,3,11,12)	90	90	去重失败
1270	(4,8,8,8)	72	72	去重失败
236	(1,4,4,4)	60	60	去重失败
1189	(4,5,8,12)	48	48	去重失败
819	(2,13,13,13)	12	12	去重失败
1226	(4,6,8,13)	8	8	去重失败
1666	(7,9,10,11)	8	8	去重失败
42	(1,1,4,9)	8	8	去重失败
331	(1,5,11,12)	8	8	去重失败
1076	(3,9,10,10)	4	4	去重失败
1350	(5,5,8,8)	4	4	去重失败
296	(1,5,5,10)	4	4	去重失败
429	(1,9,10,13)	4	4	去重失败
432	(1,9,11,13)	4	4	去重失败
247	(1,4,5,6)	2	2	去重失败

综合分析与结论

🟣 DeepSeek V3.1 优势

去重稳定性极佳：1,820 题全部完成，仅 1 题去重失败，失败率 0.07%
已完成最佳标记：1,311 / 1,362 题已标记最佳解法（96.3%），用户可直接使用
大解法数题目表现好：在原始解法数 ≥ 21 的题目中，去重保留率合理（8.8%~30.9%）
去重一致性高：与 V4 结果一致率达 74.4%，说明核心去重逻辑可靠

🟡 DeepSeek V4 PRO 优势

极端去重能力强：对部分题目（如 3,8,9,9）能做到从 276 解法压缩到 4 个，激进但有效
低解法数题目保留更多：1~5 解法题目平均保留 1.19 个（V3.1 为 1.05 个），可能保留更多"边缘不同"解法
推理能力可能更强：V4 作为更新模型，在理解运算律等价性方面有更深层的分析能力

⚡ V4 PRO 存在的问题

问题一：去重失败率偏高（17 / 1,358 = 1.25%）

17 题完全未执行去重，保留率 = 100%，其中包含 6 题原始解法数 ≥ 8 的大题
疑似原因：模型输出被 max_tokens=4096 截断，大解法数题目的去重结果无法完整输出
V3.1 的同题去重结果显示这些题完全可以被正常去重（如 862 题 V3.1 从 124→3）

问题二：去重过于激进

部分题目 V4 去重后仅保留 1~2 个解法，但 V3.1 保留 20+ 个
例如 1103 题 (3,12,12,13)：V3.1 保留 26 个解法（81.3%），V4 仅保留 1 个（3.1%）
过于激进去重可能导致 本质不同的解法被误判为等价而丢失

问题三：尚未完成最佳标记

V4 的 best_deduplicated_solution 全部为 0，用户无法直接使用其结果选择最佳解法

🏆 综合评价

评估维度	DeepSeek V3.1	DeepSeek V4 PRO	胜出
任务完成度	1,820 / 1,820 (100%)	1,358 / 1,362 (99.7%)	V3.1
去重稳定性	1 题失败 (0.07%)	17 题失败 (1.25%)	V3.1
去重合理度	保留率适中	部分过于激进	V3.1
极端去重能力	标准去重	更深层次去重	V4
最佳标记	1,311 / 1,362 (96.3%)	0 / 1,358 (0%)	V3.1
平均去重保留率	10.0%	10.0%	持平

💡 建议

修复 V4 去重失败问题：对 17 题去重失败记录重新调用 API，考虑增大 max_tokens 至 8192 或 16384
补全 V4 剩余 4 题：完成最后 4 题的去重，达到 100% 覆盖
开展最佳标记：对 V4 结果进行 best_deduplicated_solution 标记，供前端展示使用
交叉验证：对两模型差异较大的题目（|diff| ≥ 10），人工核实哪个模型的去重更合理
生产环境仍以 V3.1 为准：V3.1 去重更稳定、已标记最佳、覆盖完整，建议继续作为主模型
V4 作为辅助参考：V4 的激进去重策略可作为"深度去重"选项，由用户自行选择