Muse Glimmer 对决 DeepSeek V4 Pro：开源权重的两端

在DeepSeek V4 Pro发布版的某处小字中，有一个数字应该会让任何认为“廉价开放权重”和“擅长智能体编码”是同一回事的人感到不安。在DeepSWE——一个为抵御困扰软件工程评估的训练数据博弈而构建的无污染基准测试——上，DeepSeek V4 Pro得了8分。DeepSeek V4 Pro是2026年4月24日以MIT许可证发布的1.6万亿参数混合专家旗舰模型。GPT-5.5在同一测试中得了70分；Claude Opus 4.7得了54分。这是业界最成功的廉价模型故事所附带的唯一最具破坏力的独立数据点，而它对这场对决至关重要，因为Muse Glimmer——Meta于2026年8月10日以Apache 2.0许可证发布的300亿参数开放权重智能体模型——是一个开放权重模型，其整个设计任务书就是DeepSWE所衡量的长周期智能体工作——而迄今其唯一分数还是由制造它的公司自己跑出来的。

所以，这是对开放权重谱系两端两个模型的对比，而且差异远不止规模。一个是数据中心MoE，几便士就能租用。另一个是桌面下载，除了GPU之外几乎不花钱。一个有着独立的业绩记录，其中包括一次灾难性的智能体结果。另一个则完全没有独立的业绩记录。这篇文章将两者都摆正，让“厂商报告”与“独立展示”之间的差距自己说话。

那个应该让你困扰的数字

DeepSWE值得在关注任何头条数字之前先去理解，因为它是一项不奖励死记硬背内容的测试。它被设计用来避免数据污染——即用模型在训练中已经见过的数据进行评估的做法——并且它运行的是长期的、真实世界的软件工程任务，需要持续的多步骤执行，而非模式回忆。DeepSeek V4 Pro在那里取得的8%不是一种观点，而是独立评估的实测结果；它与供应商自家表格所呈现的画面截然不同——同一款模型在SWE-bench Verified上取得80.6分，在LiveCodeBench上取得93.5分，在Codeforces上的评分是3,206，超过了GPT-5的3,168。这两幅画面之间的差距，就是为什么“开放权重、廉价token”与“擅长智能体编码”必须分别加以验证的全部原因。

Muse Glimmer没有DeepSWE分数。它没有任何形式的独立分数——它今天早上才发布，其整个基准表都是Meta自己的，由Meta针对其承认未调优的竞争对手设置运行。本文中每个Glimmer数字的诚实标签是厂商自报。但该模型的设计恰好指向DeepSWE所暴露的失败模式：自主故障恢复、多步骤计划、长期工具使用。这种设计能否经得起独立测试的检验，是这场对决悬而未决的问题，目前还没有人能回答。

开放权重的两端

首先，先谈谈“开放”对两者各自意味着什么——这并非同一回事。DeepSeek V4 Pro 是一个总参数 1.6T 的 MoE 模型，每个 token 激活约 49B 参数，拥有 1M token 的上下文窗口，最多可输出 384K token，且仅支持文本输入，不支持视觉。其 MIT 许可的权重可免费获取，但自行托管是一个数据中心级项目：BF16 检查点高达 TB 量级，因此实际上 DeepSeek V4 Pro 是租来用的——通过 DeepSeek 的 API 或第三方 API。Muse Glimmer 则是一个 30B 的稠密多模态模型，通过感知编码器处理文本和图像，采用 Apache 2.0 许可，其四比特检查点加上 DFlash 草稿模型合计约 19.5GB。一个是需要部署的开放权重模型；另一个是下载后即可在单张 24GB 或 32GB 显卡、或高端 M 系列 Mac 上运行的开放权重模型。两者都是真正的开放权重，但在使用方式上几乎没有共同点。

巨人的分裂人格

DeepSeek V4 Pro的优势在于孤立基准测试。数学与知识：GPQA Diamond 90.1，AIME 2026 96.4，MMLU-Pro 87.5。受控环境下的编码：SWE-bench Verified 80.6，LiveCodeBench 93.5。其长上下文"大海捞针"能力同样强劲——在1M token下MRCR得分83.5，在该测试中领先于Gemini 3.1 Pro。但在衡量持续智能体执行表现的基准上，局面出现了裂痕。Terminal-Bench 2.0得分为67.9，Toolathlon工具使用得分为51.8，独立聚合排名将标准版置于智能体与编码类别的中游，尽管推理分数仍接近榜首。8%的DeepSWE结果则将这一裂痕推向了极致。

Muse Glimmer 的厂商报告表格指向另一个方向：它最强的行是智能体（agentic）相关的行。MCP-Atlas 75.5、DeepSearch QA 74.6、GAIA2 43.3、SWE-bench Verified 76.0、SWE-bench Pro 51.2、Terminal-Bench 2.1 51.7。相比之下，DeepSeek 经核验的编程模型（verified-coder）数据——SWE-bench Verified 80.6、LiveCodeBench 93.5、GPQA Diamond 90.1——Glimmer 在基准测试表所看重的几乎每一行上都输了。这些模型擅长不同种类的事情，而 Glimmer 声称擅长的那种事情，恰恰是 DeepSeek 的独立记录所表明“廉价巨头”式路线会搞错的那种。

说实话，每个多少钱？

DeepSeek V4 Pro 的公布列表价为每百万输入 token 1.74 美元、每百万输出 token 3.48 美元，缓存命中输入约为 0.145 美元。DeepSeek 的永久折扣——最初以促销形式推出、之后一直延续——将实际价格拉低至输入约 0.44 美元、输出约 0.87 美元，便宜到按 token 计费几乎不再是决定因素，也足以解释它为何成为业内很大一部分用户的默认性价比之选。该定价通过厂商自己的 API 和多家第三方平台同步生效，在 OrcaRouter 上以 0% 加价原样转售——即厂商列表价、不加任何利润——因此 DeepSeek 一旦降价，当天就会反映在模型页面上，这也是与目录中其他任何产品进行比较的最坦诚方式。

Muse Glimmer 每个 token 的成本为零，真正的成本在硬件上：一块 24GB 或 32GB 的 GPU，以 RTX 5090 为基准，或者一台顶配 M 系列 Mac。如果你已经拥有这些设备，那么一个常驻本地代理的边际成本仅仅是电费。如果没有，GPU 就是那笔大额支出——对许多团队来说，一次性购买比 DeepSeek 的折扣价在常驻代理的整个生命周期内还要便宜；而对另一些团队来说，按 token 计费的模型更划算，因为他们需要 1M 的上下文和 384K 的输出，这是 19.5GB 的本地模型无法容纳的。价格对比只有在你想清楚自己实际处于哪种部署环境之后才能得出结论。

背后的政治

有必要先点明背景，因为它决定了你对任何一家厂商的基准表该抱有多大信任。扎克伯格在随 Muse Glimmer 发布而撰写的文章《未来属于每个人》中，明确点名 DeepSeek、Qwen 和 Moonshot，称这些中国开放模型实验室是美国开放权重发布必须面对的竞争对手，并呼吁美国放宽对开源 AI 的监管。Meta 正把 Glimmer 定位为应对廉价开放权重浪潮的本土答案。这种叙事框架是真实存在的，而恰恰是这种情况下，厂商自营的基准测试最值得怀疑——双方都在随模型一起兜售一种国家叙事。与之形成制衡的是，DeepSeek 已经有了独立的评测数据（包括那 8%），而 Glimmer 还没有。

应该由谁运行哪个

这两个模型并非替代关系，这个决策本质上是一个部署环境问题，只是披着基准测试的外衣。如果你的工作负载对 token 和上下文都极其渴求——海量输入、长输出、大规模数学与知识处理——DeepSeek V4 Pro 在折扣价下是目录中性价比最优的选择之一，而其 8% 的 DeepSWE 成绩对于非长周期智能体编码的工作负载来说并不那么重要。如果你的工作负载是常驻本地智能体——高频、私密、交互式、工具调用——Muse Glimmer 就是答案的形态，但需要注意的是，其智能体能力声明仍完全来自自述，需要独立测试验证。如果你的工作负载两者兼有——而大多数真实智能体技术栈恰恰如此——那么这两个模型就是一个系统的两个层级：本地 30B 模型负责快速、私密、高频的路径，租赁的 MoE 模型负责长上下文的繁重任务。

要了结这场对比，按速度粗略排列：首先，在 DeepSWE 这样的无污染长周期测试上拿到独立的 Glimmer 结果——这是这场对决最缺的一个数字；其次，独立复现 DeepSeek 的 8%，以确认那不是设置上的偶然；再次，第一家提供商上线 Glimmer 端点——那一刻，本地与租用并行的格局就不再是假设，而是用一把密钥就能接通的现实。在那之前，诚实的总结很简短：DeepSeek V4 Pro 是开放权重领域的巨人，有着经得起验证的低成本 token 叙事，也有一个具体、可测的弱点；Muse Glimmer 是开放权重领域的新人，它的整套主张恰恰瞄准这一弱点——而它至今唯一的证据，就是它自己的话。