作为大模型服务商之一，我们乐见公开的大模型 API 服务评测报告与使用体验，专业、客观、严谨的评测有助于更多用户快速筛选符合需求的服务，也能促进 API 提供商提升服务质量。
随着硅基流动的 SiliconCloud 等平台上线 DeepSeek-R1，市面上出现了不少测试各大厂商 API 服务的评测文章及反馈，不过，从我们收到的不少内容及反馈来看，其中的对比测试方式多有漏洞，内容质量参差不齐。
由于 API 服务评测的测试要素及对齐条件较多，一旦影响因子设置不一致，很容易得到有缺陷的评测数据与结论。现实测评情况也表明，这的确是一项较高门槛的工作。我们相信，多数评测者无意给出不客观的评测报告——即使是专家级大模型评测者，如果考虑不周，出错也在所难免。然而，错误评测结果造成的客观后果是，可能误导不明真相的用户，同时给模型服务供应商造成困扰并影响品牌声誉。考虑到要为 API 评测内容付出不小的答疑与解释成本，我们认为有必要专门做一点误区澄清工作。本文是硅基流动“大模型 API 评测指南”系列第一篇。我们将以 DeepSeek-R1 API 评测为例，解析当下评测内容或质疑存在的误会。以下误区摘编自公开内容，为防止产生不必要争议，除硅基流动、DeepSeek 外隐去其他厂商名称。
01. 第三方 R1 降智，不是满血版？
误区：“在某应用调了硅基流动、xx 的 DeepSeek-R1 API，效果不如在 DeepSeek 官方 App / 网页版 与 xx 应用上使用，感觉不是满血版 R1。” 解析：对比 DeepSeek-R1 服务效果，不应该将 API 与 App / 网页端放在一起作混合对比，而是重点需要测试平台的 API 服务，同时确保在测试时系统提示词、超参数（Temperature、Top-p、Top-k）等指标是一致的。 可以确定的是，市面上知名的第三方平台部署的都是“满血版 R1（671B）”，之所以用户使用感受有差异，是因为模型输出的随机性、平台提供的配套功能及超参数设置等可能不一致，而非底层模型本身的差异。
市面上基本不存在“非满血版 R1”，也基本不存在所谓模型“降智”，而 R1 蒸馏版（70B、1.5B等）与满血版的效果差距很明显，一般知名服务商都会注明，如果这些平台提供所谓“非满血版 R1”，很容易测试出来，这完全是自砸招牌，所以他们没有动机“以次充好”。 02. 官方 R1 是原版，第三方是量化版？
误区：“国内的这些所谓满血版 R1 跟 DeepSeek 官方感觉还是有区别，xx 部署的应该是 FP8 量化。” 解析：DeepSeek 官方开源 R1 的权重本身就是 FP8（量化），且声明他们部署的也是开源版本，并没有所谓的官方特供版，所以原版的 FP8 R1 和“满血版 R1”其实指的是同一个模型。市面上还没有公开的 BF16 版 R1，如果要跑 BF16 推理，还需要通过将 FP8 反量化回 BF16，也没有证据表明 BF16 R1 比“满血版 R1（FP8）”精度更高。 另外，大模型不同的量化方案精度测试本身有很多影响因素，不同量化方案在实际场景中各有收益。不同精度的模型可能在极少数边缘案例上有差别，但也只能对比最后的测试效果。
在效果测试时，非盲评测试可能会受到主观因素影响，甚至答案的先后顺序也会影响最终评测结果，无法证明各平台所提供 DeepSeek-R1 API 能力存在明显差异。我们认为，如果在双盲测试后各家 API 效果接近（或用户在日常场景中感觉不出区别），可认为这些平台的模型精度是一致的。
误区：“综合测评分析，xx 云平台在功能性上更胜一筹，不仅能够支持语音输入，还能够进行文件上传；仅有 xx 应用支持图片上传。”解析：包括 DeepSeek-R1 在内的任一模型天然不支持联网搜索、文件上传等功能，而是需要平台/应用方做额外的功能开发。 大模型云服务平台与上层应用面向不同的用户群体，不应该混为一谈对比产品功能。推理云服务提供商主要提供的是面向开发者的 API 服务，一般 C 端用户需通过第三方应用调用 API。Chatbot 等应用直接面向 C 端用户，所以联网、文件上传等配套功能做得比较齐全。
目前，为方便 C 端用户直接体验 DeepSeek-R1 API 服务，多数云服务平台也开始提供联网搜索、文件上传等功能，硅基流动正在内测支持这些功能，后续也将公开发布供用户使用。
04. 同样的超参数，硅基流动的 R1 输出乱码？
误区：“同一篇文章大纲，相同的提示词，同一个参数温度，硅基流动输出的内容胡乱瞎说，中间还有一段居然输出中文，xx 基本上跟官方保持一致。” 解析：硅基流动 SiliconCloud 的 API 支持调整 DeepSeek-R1 的 Temperature，但包括 DeepSeek 官方在内的部分平台不支持调整 R1 的 Temperature。
因此，在测试模型输出准确率时，如果将所有平台的 Temperature 设置为 0，那么官方与其他平台的 Temperature 实际是最佳值 0.6，但硅基流动的 DeepSeek-R1 API 的 Temperature 设置为 0 会生效，输出效果可能变差，从而造成不准确的测试结果。
误区：“此前，DeepSeek-R1 官方在 AIME 2024 基准测试中取得了 79.8% 的 pass@1 得分。而此次我们通过 Python 脚本进行测评 AIME 题库下，正确率由高到低依次是：xx 83.33% ；官方 Deepseek 73.33% ；xx 71.67% ；xx 58.33% 。其中 xx、 Deepseek 各网络状态下表现平稳，测试均为一遍过，30 道题全部响应，测得比较省心。” 解析：单次（或几次）测试结果充满了随机性。DeepSeek 官方测出来 79.8% 的 pass@1 得分，这里测试一次的结果是 73.33%，数据显然有出入，这肯定也不是 DeepSeek 官方给出的数据有误，而是模型输出概率所导致的不一致结果。
以某评测者的“人类头发数量的乘积是多少？“在各平台的单次测试为例，其结论是”可以看出，官方和国外平台都是良心的满分，其他的两个平台要点名批评，不知道在做什么。“事实是，多测试几次后就会发现，硅基流动等平台也能做对，且 DeepSeek 官方平台可能会做错，这证明了大模型输出的随机性以及单次测试的局限性。也有评测者在多次测试取平均后发现，知名平台的准确率并无差异，并修正了评测结论。（来源：https://zhuanlan.zhihu.com/p/26343102498）
我们认为，人工盲评目前是测试各平台 DeepSeek-R1 API 准确性的最优方案。在数量足够、数据的分布多样化足够的情况下，如果无法区分出各平台模型 API 的能力，可认为这些平台所提供的模型能力相同。Chatbot Anera（https://lmarena.ai/）采用的即是双盲测试，被业内视为最具代表性的模型能力评测方案。 
（DeepSeek-R1 API 双盲测试结果对比。横坐标表示不同测试类目，纵坐标表示双盲测试下的用户偏好。）
误区：“测试了四道题，xx、xx、xx 等平台的生成内容的总字数都接近三千字，其中推理字数占比分别达到 68%、69% 以及 60%，展现出更强的逻辑延展性，相较之下，部分平台仅能提供浅层推理。”
解析：再次强调，单次（或几次）测试结果充满了随机性。况且，模型输出越长不等于精度更高，好比话痨不一定更聪明。
07. 硅基流动的 R1 测试时无响应？
误区：“硅基流动提供了 R1 模型调用，但 90% 的调用请求都会超时 60s，只有 10% 的请求结果是正常的，计算推理速度不具有参考性，本质还是算力资源受限。”
解析：在相同的测试时点，不同平台的资源占用情况可能不一，单次（或几次） API 效果与速度测试的结果存在较大误差，较为公平的方式是测试多次取平均值。
（来源：https://mp.weixin.qq.com/s/ahSUs-zQTkMB6smVUKDzcg）
此前，为响应诸多开发者提出的更稳定 DeepSeek-R1 & V3 服务的呼声，硅基流动 SiliconCloud 平台开始提供分为普通版（可使用免费 Token）与 Pro 版（面向付费用户，更稳定）的 R1 & V3，两套模型的能力并没有区别。
不少评测仅仅测试了 SiliconCloud 平台的普通版 R1，由于该版本使用免费 Token 的用户流量非常大，尤其在白天工作时段使用高峰期较长，导致在测试时有较大概率出现模型没有输出或速度很慢，从而让不知情用户误解硅基流动 SiliconCloud 无法提供稳定的 R1 服务。
在此，恳请评测者测试时加入 Pro 版 R1，相信会有非常不错的效果。我们也在积极解决普通版 R1 资源供应的问题，建议对稳定性有较高要求的用户使用 Pro 版 DeepSeek-R1。
结语
本文以第一手、最前线的模型服务商视角解析部分评测误区，供评测者及广大用户参考，下一篇文章我们将给出更具体的大模型 API 评测建议。 让我们共同努力，将更优质的评测报告与 API 服务提供给广大用户，促进 API 评测工作与 AI 云服务质量更上一层楼。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
