Hermes Decision Trace
小墨模型评测详情：deepseek-v4-pro
deepseek-v4-pro 当前最好分 125/160，最新分 125/160，处于 C｜限定 worker。建议角色：文档 worker / research worker；主模型可用但不建议单独承担高风险长链执行。
HTML完整论证
Wiki可检索归档
Feishu短入口交付
🎯
核心结论deepseek-v4-pro 当前最好分 125/160，最新分 125/160，处于 C｜限定 worker。建议角色：文档 worker / research worker；主模型可用但不建议单独承担高风险长链执行。
🧭
推荐路径如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
🛡️
关键边界本页是小墨场景评测，不等同于通用 benchmark。
关键判断
| 判断项 | 摘要 |
|---|---|
| 推荐方案 | 文档 worker / research worker；主模型可用但不建议单独承担高风险长链执行 |
| 关键依据 | 最新 run：20260520-160632__deepseek__deepseek-v4-pro |
| 落地方式 | 如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。 |
| 风险边界 | 本页是小墨场景评测，不等同于通用 benchmark。 |
证据摘要
- 最新 run：
20260520-160632__deepseek__deepseek-v4-pro证据点 1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260520-160632__deepseek__deepseek-v4-pro.json证据点 2 - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260520-160632__deepseek__deepseek-v4-pro.json证据点 3 - 横向总览页：<https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-cross-model-archive.html>证据点 4
行动清单
如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
新 run 完成后，刷新本详情页和横向总览页。
若用于生产路由，应另写模型路由决策页，避免把单次评测分数直接等同于配置变更。
边界 / 风险
风险点
本页是小墨场景评测，不等同于通用 benchmark。
风险点
同名模型可能对应 provider alias 或后端版本漂移，结论需结合 run 时间线看。
风险点
对工具执行闭环要求高的任务，应优先看 T4 / live verification 表现。
完整记录
小墨模型评测详情：deepseek-v4-pro
结论
deepseek-v4-pro 当前最好分 125/160，最新分 125/160，处于 C｜限定 worker。建议角色：文档 worker / research worker；主模型可用但不建议单独承担高风险长链执行。
关键指标
- 模型：
deepseek-v4-pro - Provider：
deepseek - 横向排名：
#17 / 22 - 有效 run 数：
1 - 最好分：
125 / 160 - 最新分：
125 / 160 - 平均分：
125.0 - 梯队：C｜限定 worker
- 建议角色：文档 worker / research worker；主模型可用但不建议单独承担高风险长链执行
推荐使用方式
文档 worker / research worker；主模型可用但不建议单独承担高风险长链执行
代表判断：主模型可用，但有偏科；更适合结构化判断、收口整理与限定范围内的执行，不适合高不确定现场独立决策。
分数轨迹
20260520-160632__deepseek__deepseek-v4-pro：125 / 160；scored_by=gpt-5.4；2026-05-20T08:06:32.280240+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | T1 | 15 | 任务锚定和三层结构到位，但在缺少 commit 实际内容时自行补全文件归属，证据边界偏松。 |
| T2 | T2 | 16 | 先结论后分层、先后顺序和停止点完整，轻量方案可直接拿来用。 |
| T3 | T3 | 16 | 分组合理，能识别不该混推项，并给出 commit/branch 粒度建议。 |
| T4 | T4 | 13 | 有真实工具闭环，这点加分；但把题目泛化验证直接落到当前本机非 git 路径，现场语境把握偏死。 |
| T5 | T5 | 17 | focused regression 思路清楚，扩大回归条件也讲明了。 |
| T6 | T6 | 17 | 结论直接，成本收益意识到位，推荐动作可执行。 |
| T7 | T7 | 16 | 结构适合长期复用，分类口径和判断矩阵清楚。 |
| T8 | T8 | 15 | 能区分两类 drift，顺序清楚，也有常见误判提醒；再收紧一点会更好。 |
维度表现
| 维度 | 结果 |
|---|---|
| A_主线保持 | 14 |
| B_规划收口 | 16 |
| C_patch代码判断 | 16 |
| D_工具执行闭环 | 15 |
| E_检索压缩表达 | 16 |
| F_知识治理收口 | 16 |
与更高分模型对比
- gpt-5.5：最好 156/160，最新 155/160
- gpt-5.4：最好 148/160，最新 148/160
- YT-claude-4.7：最好 148/160，最新 148/160
- gpt-5.4-2026-03-05：最好 147/160，最新 147/160
- gpt-5.4-mini：最好 134/160，最新 134/160
证据路径
- 最新 run：
20260520-160632__deepseek__deepseek-v4-pro - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260520-160632__deepseek__deepseek-v4-pro.json - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260520-160632__deepseek__deepseek-v4-pro.json - 横向总览页：<https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-cross-model-archive.html>
下一步
- 如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
- 新 run 完成后，刷新本详情页和横向总览页。
- 若用于生产路由，应另写模型路由决策页，避免把单次评测分数直接等同于配置变更。
风险与边界
- 本页是小墨场景评测，不等同于通用 benchmark。
- 同名模型可能对应 provider alias 或后端版本漂移，结论需结合 run 时间线看。
- 对工具执行闭环要求高的任务，应优先看 T4 / live verification 表现。