Muse Glimmer 對比 DeepSeek V4 Pro：開放權重的兩個極端

在DeepSeek V4 Pro發布文件的某處細則中，有一個數字應該會讓那些認為「便宜的開放權重」和「擅長代理式編碼」是同一回事的人感到不安。在DeepSWE——一個旨在抵禦困擾軟體工程評測之訓練資料作弊的無污染基準——上，DeepSeek V4 Pro（2026年4月24日以MIT授權推出的1.6兆參數混合專家旗艦模型）僅拿下8%。GPT-5.5在同一測試中獲得70分；Claude Opus 4.7獲得54分。這是業界最成功的廉價模型故事所承載的最具殺傷力的獨立數據點，而它對這場較量至關重要，因為Meta的Muse Glimmer——2026年8月10日以Apache 2.0授權發布的30B開放權重代理模型——其整個設計綱要正是DeepSWE所衡量的長程代理式工作，而且迄今為止它的分數全是由開發它的公司自行評測的。

所以，這是在對比開放權重光譜兩端的兩個模型，而差異不僅在於規模。一個是資料中心級的 MoE（混合專家模型），用幾美分就能租用。另一個是桌上型下載版，除了需要一張 GPU 之外，幾乎不花任何成本。其中一個擁有獨立的實績紀錄，包括一次災難性的代理（agentic）任務結果；另一個則完全沒有任何獨立實績紀錄。這篇文章要為兩者正名，讓「廠商宣稱」與「獨立實測」之間的差距自己說話。

那個應該讓你困擾的數字

在看任何頭條數字之前，DeepSWE 本身就值得先理解，因為這是一項不會獎勵死記硬背的測試。它被設計來避免污染——也就是用模型在訓練時已看過的資料進行評估——它所執行的是長時間、貼近真實世界的軟體工程任務，需要持續的多步驟執行，而非模式回想。DeepSeek V4 Pro 在那裡取得的 8% 並非主觀意見，而是獨立評測所量測出的結果；這與供應商自家表格描繪的景象截然不同——同一模型在 SWE-bench Verified 上得到 80.6，在 LiveCodeBench 上為 93.5，Codeforces 評分為 3,206，勝過 GPT-5 的 3,168。這兩種景象之間的差距，正是「開放權重、便宜 token」與「擅長代理式編碼」必須分開驗證的完整原因所在。

Muse Glimmer 沒有 DeepSWE 分數。它沒有任何形式的獨立分數——它於今早發布，其整個基準測試表都是 Meta 自家產出，由 Meta 針對它承認未經調校的競爭對手配置所運行。本文中每個 Glimmer 數字的誠實標籤都是「廠商自行申報」。但該模型的設計恰恰對準 DeepSWE 所暴露的失敗模式：自主故障恢復、多步驟計畫、長期工具使用。這種設計能否經得起獨立測試的檢驗，是這場對決的未解之問，目前無人能回答。

開放權重的兩端

先從每個「開放」一詞的含義談起，因為兩者並不相同。DeepSeek V4 Pro 是一個總參數達 1.6T 的 MoE 模型，每個 token 約有 49B 參數被啟用，具備 1M token 的上下文視窗、最高 384K 的輸出 token，且僅接受文字輸入——不支援視覺。其 MIT 授權的權重可免費取得，但自行託管是一項資料中心等級的工程：BF16 檢查點檔案約達 TB 規模，因此實際上 DeepSeek V4 Pro 是以租用方式使用，可透過 DeepSeek API 或第三方服務。Muse Glimmer 則是一個 30B 的稠密多模態模型——透過感知編碼器處理文字與影像——採用 Apache 2.0 授權，其四位元檢查點加上 DFlash 草稿模型僅約 19.5GB。前者是部署用的開放權重模型；後者是下載後即可在單張 24GB 或 32GB 顯示卡、或高階 M 系列 Mac 上執行的開放權重模型。兩者確實都是開放權重，但在使用方式上幾乎沒有任何共通點。

巨人的分裂人格

DeepSeek V4 Pro 的強項在於{{1}}孤立基準測試{{/1}}。數學與知識：GPQA Diamond 90.1、AIME 2026 96.4、MMLU-Pro 87.5。受控環境下的編碼能力：SWE-bench Verified 80.6、LiveCodeBench 93.5。其長上下文的大海撈針表現也很強——在 1M token 的 MRCR 上取得 83.5，在該測試上領先 Gemini 3.1 Pro。但在衡量{{2}}持續性代理執行{{/2}}的指標上，局面出現裂痕。Terminal-Bench 2.0 取得 67.9，Toolathlon 的工具使用為 51.8，而{{3}}獨立匯總排名{{/3}}將標準版本置於代理與編碼類別的中段，即使推理分數仍接近頂端。DeepSWE 的 8% 結果就是{{4}}裂痕發展到極致{{/4}}。

Muse Glimmer 的供應商回報表格指向另一個方向：其最強的行是代理型（agentic）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。對照 DeepSeek 的驗證型程式設計數據——SWE-bench Verified 80.6、LiveCodeBench 93.5、GPQA Diamond 90.1——Glimmer 幾乎在基準表格重視的每一行都落敗。這些模型擅長不同類型的事情，而 Glimmer 聲稱擅長的那種事情，恰恰是 DeepSeek 獨立紀錄顯示「廉價巨人」方法會出錯的那種。

老實說，每個要花多少錢

DeepSeek V4 Pro 的公布牌價為每百萬輸入代幣 1.74 美元、每百萬輸出 3.48 美元，快取命中的輸入約為 0.145 美元。DeepSeek 的永久折扣——起初以促銷名義推出，後來便一直保留——使實際費率約為輸入 0.44 美元、輸出 0.87 美元，便宜到讓每代幣的價格幾乎不再是決定性因素，也足以解釋為何它成為業界一大片領域的預設省錢首選。這項定價透過廠商自家的 API 及多個第三方平台即時生效；在 OrcaRouter 上則以 0% 加價轉傳——也就是供應商的牌價，不加任何利潤——因此 DeepSeek 降價當天就會顯示在模型頁面上，這正是與目錄中其他產品比較時最誠實的方式。

Muse Glimmer 每個 token 的費用為零，真正的成本在於硬體：一張 24GB 或 32GB 的 GPU，以 RTX 5090 為基準，或是頂配的 M-series Mac。如果你已擁有這些設備，常駐本地代理的邊際成本只是電費。如果沒有，GPU 就是主要開銷——對許多團隊而言，這筆一次性購買在常駐代理的整個生命週期中，甚至比 DeepSeek 的折扣費率更便宜；而對另一些團隊來說，按 token 計費的模式勝出，因為他們需要 1M 上下文與 384K 輸出，這是 19.5GB 的本地模型無法容納的。價格比較只有在你想清楚自己實際身處哪種部署環境後，才會有答案。

表象之下的政治

值得先說明背景，因為它決定了你應該在多大程度上信任任何一方廠商的數據表。祖克柏在 Muse Glimmer 發布時附帶的文章〈未來屬於每個人〉中，明確點名 DeepSeek、Qwen 和 Moonshot，稱其為美國開放權重發布必須競爭的中國開放模型實驗室，並呼籲美國放寬對開源 AI 的監管。Meta 正將 Glimmer 定位為國內應對廉價開放權重浪潮的答案。這種框架是真實存在的，而這正是廠商自家基準測試最值得懷疑的情況——雙方都在推銷模型之餘，也兜售一套國家敘事。與之抗衡的是 DeepSeek 已有的獨立評測（包括那 8%），以及 Glimmer 尚未具備的獨立評測。

誰應該執行哪個

{{1}}這兩個模型並非替代品，這個決定基本上是一個披著基準測試外衣的部署環境問題。{{/1}}{{2}}如果你的工作負載對 token 與上下文的需求都很高——大量輸入、長輸出、大規模的數學與知識處理——DeepSeek V4 Pro 在折扣價位下，是目錄中成本效益比最划算的選擇之一；而它 8% 的 DeepSWE 成績，對於非長時程代理式編碼的工作負載而言，影響就沒那麼大。{{/2}}{{3}}如果你的工作負載是常駐執行的本機代理——高頻、私有、互動、工具呼叫——Muse Glimmer 就是答案的形貌，但須注意：它的代理能力宣稱仍完全是自我報告，需要獨立測試加以驗證。{{/3}}{{4}}如果你的工作負載兩者兼具——而大多數真實的代理技術棧正是如此——那麼這兩個模型就是同一系統的兩個層級：本機 30B 負責快速、私有、高頻的路徑，租用的 MoE 則負責長上下文的繁重運算。{{/4}}

若要為這場較量定案，依速度粗略排序：在像 DeepSWE 這類無污染的長期測試上取得一份獨立的 Glimmer 結果——這是目前這場對決最欠缺、也最有用的數字；再來是第二次獨立重現 DeepSeek 的 8%，以確認那不是一次性的設定僥倖；最後是第一個提供者架起 Glimmer 端點——那一刻，「在地與租用並行」不再只是假設，而是可以靠一把金鑰就接線運作的現實。在那之前，誠實的總結很簡短。DeepSeek V4 Pro 是開放權重的巨人，有著經得起檢驗的低成本 token 故事，以及一個具體、可量測的弱點。Muse Glimmer 則是開放權重的新秀，其全部賣點都精準瞄準那個弱點——而目前為止，它唯一的證據就是自己的說法。