DeepSeek V4 测评视频深扒：真正可复制的不是模型结论，而是可感知证据链

这条视频表面是在测 DeepSeek V4 Pro：让它做一个《我的世界》，再复刻 Steam，再写一句话科幻，最后扮演五条悟，顺便聊 API 定价和国产模型竞争。

但如果只把它看成“某模型强不强”的横评，学到的东西会很浅。真正值得拆的是它的内容方法：它没有把大模型能力讲成一堆抽象指标，而是连续设计了几组普通观众也能用肉眼判断的任务。能不能生成可玩的方块世界，方块破坏有没有裂纹，Steam 页面像不像一个真实产品，科幻句有没有味道，五条悟说话像不像五条悟，API 价格贵不贵，这些都不是论文指标，却非常适合短视频传播。

所以这条视频最可复制的资产不是“DeepSeek V4 Pro 排第几”，而是一个科技内容的证据链结构：先用拟人化钩子把模型变成角色，再用场景化任务把能力变成画面，再用横向对比制造判断，再用价格把兴趣落到决策。它把“AI 模型测评”从信息播报做成了观看体验。

下面按双轨材料拆：逐字稿里口播有一些识别误差，画面轨显示作者是“艾修”，视频时长约 133 秒，主题是 DeepSeek V4 Pro 与 GPT、Gemini、混元等模型在娱乐向任务、前端审美、写作、角色扮演和价格上的对比。本文只分析原视频的表达结构和判断方法；视频中的模型名、榜单、价格均按原视频呈现，不在这里做外部事实背书。

一、这条视频真正讲的不是模型，而是“什么样的测评能让人信”

很多 AI 测评视频的问题是：结论很猛，证据很薄。比如“某模型全面超越”“某模型代码能力第一”“某模型写作封神”，听起来刺激，但观众很难在 3 秒内验证。观众不能验证，就只能靠信任博主；一旦博主人设不够强，内容就会掉进“自说自话”的坑。

这条视频的高明处，是它几乎每个判断都配了一个可以截图的证据。

说 GPT 5.5 比 5.4 变化不大，它不只是念结论，而是放出 VS Code 和生成的 MC 世界；说 DeepSeek V4 Pro 进步明显，它不是说“空间理解更强”，而是让观众看到方块收放、硬度体现、破坏裂纹和地形光影；说审美能力不错，它放出 Steam 界面复刻；说写作提升，它把三家模型的一句话科幻做成手账式卡片；说价格有压力，它直接给 DeepSeek API 价格表，再拉混元 Hy3 Preview 做对照。

这就是“可感知证据链”：每一个抽象能力，都被翻译成一个普通人可以立即判断的场景。模型到底有没有空间理解？看 MC。有没有前端审美？看 Steam。有没有写作味道？看一句话科幻。有没有角色扮演能力？看五条悟对话。商业上能不能用？看价格。

短视频测评里，任务选择比指标堆叠更重要。指标是给专业观众看的，任务是给大众观众看的。指标让人知道“它可能强”，任务让人产生“我也看出来了”的参与感。后者更容易传播。

二、7 段文案拆解

【1】开头钩子（前 3 秒）：拟人化反差 + 新模型同步发布

视频开头不是传统标题页，而是用左右分屏把模型人格化：一边是 ChatGPT 5.5，像一个“对不起，这种东西我不碰”的克制角色；另一边是 DeepSeek V4 Pro，配“爷就好这一口”的夸张语气。紧接着口播说 DeepSeek 和 OpenAI 同时发布了新模型，老规矩先跑娱乐向 MCbench。

这个钩子有两层。

第一层是信息钩子：新模型发布，观众天然想知道谁强。AI 圈内容的流量入口，往往不是“讲概念”，而是“新东西来了，它和旧王谁更强”。

第二层是情绪钩子：把模型变成可爱的拟人角色，降低技术门槛。DeepSeek 被叫成“小鲸鱼”，视觉上也一直有 Q 版角色站在左下角。这会让观众把模型当成一个有性格的参赛选手，而不是一串冷冰冰的 API 名称。

评分：★★★★☆。它不是最炸裂的利益钩子，没有“10 倍效率”“秒杀全网”那种强刺激，但对 AI 模型测评受众很有效，因为它在 3 秒内交代了三个问题：有新模型、有对比、有测试现场。更重要的是，它不是光说“我来测”，而是马上进入 VS Code 和游戏画面，给人一种“真跑过”的现场感。

可复制点：科技内容开头不要只报新闻，最好立刻给一个“可看见的任务入口”。比如“这个模型到底会不会做游戏，我直接让它现场生成一个能玩的方块世界”，比“我们来全面评测一下它的代码能力”更容易留人。

【2】人设 & 声音：二次元陪伴感 + 技术测评口吻

这条视频的人设不是严肃实验室，也不是纯营销号，而是“懂模型、会玩梗、愿意跑任务的技术二创测评博主”。左下角的古风 Q 版虚拟人一直在场，既是视觉锚点，也是语气缓冲器。它让整条内容不至于变成干巴巴的技术横评。

口播风格有几个明显特征。

第一，语速偏快，几乎没有长铺垫。视频总长约 133 秒，却塞进了 MCbench、Steam 复刻、写作测试、角色扮演、API 价格、混元对比六个板块。

第二，判断句很多，但会保留主观边界。比如 MCbench 部分会说“个人感觉接近 Gemini 3.1 Pro 的水平”；角色扮演部分则说“体验因人而异，主播就不做结论”。这类话术很重要，它让视频看起来不是一味吹捧，而是有测评者的边界感。

第三，梗和专业词混合使用。“小鲸鱼”“沉没大陆”“不是 Steam 游戏管家”“既生瑜何生亮”这些口语梗，把模型能力、前端审美、价格竞争等硬话题软化了。

适合受众是三类人：一是关注新模型的 AI 从业者和重度玩家；二是喜欢看模型横评但不想读论文和 benchmark 的普通科技观众；三是关心国产模型性价比、API 成本和未来可用性的开发者。它没有把自己定位成严肃论文解读，因此能用游戏和二次元角色承接更宽的受众。

可借鉴的语言习惯不是“跟着玩梗”，而是“判断要有态度，结论要留边界”。比如“可以说击败了 X，但依旧有瑕疵”“体验因人而异，我不做结论”“价格让我想起另一件事”，这些句子都在维持一个测评博主最重要的资产：可信。

【3】信息密度 & 节奏：132 秒做六段任务，靠“短证据”推进

视频总时长约 132.7 秒，信息密度很高。它不是一条慢慢解释模型原理的视频，而是连续展示证据的快节奏横评。

大致节拍如下：

0-5 秒：用 ChatGPT 与 DeepSeek 拟人分屏开场，抛出“新模型同时发布”。

5-15 秒：进入 GPT 5.5 的 MCbench，结论是相比 5.4 变化不大，主要提升在光影。

15-35 秒：切到 DeepSeek V3.2 和 V4 Pro 的 MC 对比，突出方块收放、硬度、裂纹和地形生成。

35-45 秒：给 MCbench 榜单，用排名把前面的视觉感受固化成“榜单背书”。

45-75 秒：转到 Steam 界面复刻，讲审美能力和复刻/优化的差异。

75-90 秒：进入一句话科幻写作测试，把创意写作做成三张可截图卡片。

90-100 秒：角色扮演五条悟，轻轻带过，因为这类体验强主观。

100-125 秒：价格表与混元 Hy3 Preview 对比，从能力讨论切到商业决策。

125-132 秒：用“祝愿国产大模型越来越好”收尾，情绪从竞争转向祝福。

这条视频的节奏不是“信息刺激 - 留白 - 再刺激”的强留白结构，而是“证据 - 结论 - 下一个证据”的连续推进。留给观众消化的时间并不多，但因为每个证据都很短、很视觉化，所以不会完全失控。MC 有画面，Steam 有界面，写作有卡片，价格有表格，每个板块都自带理解支架。

它的风险也在这里：信息太密，普通观众可能记不住每个结论，只会留下一个总体印象：“DeepSeek V4 Pro 这次看起来挺强，但价格也上去了。”这未必是缺点。对短视频来说，能留下一个清晰总印象，往往比完整记住全部指标更重要。

【4】讲解手法 & 内容结构：先能力，再审美，再表达，最后价格

这条视频的内容结构可以概括为“多场景横评 + 情绪转折 + 商业落点”。

它不是单一 AIDA，也不是传统的“痛点 - 方案 - 结果”。更准确地说，它用了一个测评漏斗：

第一层，娱乐向代码/游戏任务。MCbench 负责证明模型不是只会聊天，而是能生成可交互系统。这个任务选得很聪明，因为《我的世界》有天然可视化：地形、方块、物理反馈、光影、操作手感，都能被屏幕直接展示。

第二层，前端界面任务。Steam 复刻负责证明模型能理解真实产品界面，不只是生成玩具页面。这里的争议点是“复刻”和“优化”的边界：Gemini 更像尽量还原旧版，DeepSeek 则保留排版但自己优化界面。视频里的吐槽“我让你复刻的是 Steam，不是 Steam 游戏管家”，其实是在强调任务遵循度和审美发挥之间的张力。

第三层，写作任务。用一句话科幻测试创意，不追求长文，而追求一眼可判断的文学味道。DeepSeek V4 Pro 那句“这张合影里，我是唯一还活着的人，但我不是唯一的活物”，明显是为截图传播设计的。

第四层，角色扮演任务。五条悟测试用来证明模型的人设还原和对话沉浸感，但博主没有在这里强下结论，因为角色扮演的好坏很受粉丝期待和主观偏好影响。

第五层，价格任务。能力展示完，立刻进入 API 价格表：Pro 输出价格是上个版本的 8 倍，Flash 版本更便宜，再对比混元 Hy3 Preview。这个收尾很关键，因为它把“好不好玩”转成“值不值得用”。

最有说服力的不是某一句口播，而是整套任务顺序：从可玩性到审美，从创意到角色，从能力到价格。它对应了一个真实用户的思考路径：这个模型强吗？强在哪里？我能不能看出来？它适合做什么？贵不贵？有没有竞品？

【5】金句 & 记忆点：记住“小鲸鱼”，也记住“可截图证据”

这条视频里最容易被记住的，不是严格意义上的名言，而是几个带传播性的判断锚。

第一句是“方块收放和硬度体现都做得很优秀，而且小鲸鱼是目前唯一一个想要复刻破坏方块时裂纹效果的模型”。这句话的价值在于，它没有泛泛说“游戏生成更好”，而是抓住了一个细节：裂纹。裂纹是观众能看见的物理反馈，也是模型是否理解游戏交互的证据。

第二句是“不是 Steam 游戏管家”。这句吐槽其实很高级，因为它把前端生成任务里最常见的问题说透了：模型不是不会做漂亮界面，而是容易偏题，容易把“复刻某产品”理解成“做一个相关风格的应用”。

第三句是“角色扮演体验因人而异，主播就不做结论”。这不是爆款金句，但它是信任金句。测评内容里，能承认主观边界的人更像真测评。

第四句是“既生瑜何生亮”。它把 DeepSeek Pro 的价格压力和混元 Hy3 的性价比竞争，用一句古典梗收住，适合作为评论区争议点。

画面记忆点同样强。MC 分屏是第一记忆点：左边 V3.2 画面更亮、更方块化，右边 V4 Pro 光影和地形更成熟。写作测试的手账卡片是第二记忆点：它把抽象创意评分变成观众可以投票的三张作品。价格表是第三记忆点：白底手绘风格降低了价格表的商业压迫感，让“贵不贵”看起来像一个轻松讨论。

可复用金句模板可以这样抽象：

“别只看它有没有完成任务，要看它有没有主动补上【真实场景里的关键细节】。能补上【细节】的模型，才是真的理解了【任务】。”

套回这条视频，就是：别只看模型能不能生成 MC 世界，要看它有没有主动补上方块破坏裂纹；别只看它能不能写 Steam 页面，要看它有没有理解 Steam 的产品结构；别只看它会不会扮演五条悟，要看它是否能维持角色语气和互动关系。

【6】收尾 & CTA：没有硬 CTA，用价格争议做隐性评论钩子

这条视频的结尾没有明显的“点赞关注收藏”，而是以价格表和国产大模型祝福收尾。严格按短视频增长话术看，CTA 偏弱；但按测评内容看，这个收尾是合理的。

它的隐性 CTA 是评论争议：DeepSeek V4 Pro 输出价格变成上个版本的 8 倍，未来昇腾节点上线可能降价，混元 Hy3 又悄悄上线并主打性价比。观众自然会在评论区讨论：这个价格值不值？DeepSeek 是不是还能维持性价比人设？混元有没有机会？国产模型是不是进入价格战？

这种 CTA 比“你觉得谁更强，打在评论区”更自然。因为它不是硬塞问题，而是把问题埋在内容结构里。能力已经展示过了，价格表一出，观众会自动进入决策状态。

收尾的“祝愿国产大模型都越来越好”则起到降冲突作用。前面一直在比较、排名、吐槽，如果最后停在“谁打败谁”，容易引发阵营撕裂；用祝福收束，等于把竞争叙事抬高成行业进步叙事。这个处理对国产模型话题尤其重要：它既保留了测评的锋利，又避免把内容做成纯站队。

【7】可复制文案骨架

这条视频的骨架可以直接迁移到任何新模型、新工具、新产品横评：

[开头钩子句 - 类型: 新品发布 + 拟人化反差 + 现场实测]
今天，【A 产品/模型】和【B 产品/模型】都更新了。别先看参数，我们直接让它们做一个【普通观众也能看懂的任务】。

[核心信息 - 分 5 个点]
① 先跑【可视化任务 1】：看它有没有完成基础功能，以及有没有出现【关键细节】。
② 再跑【真实产品任务 2】：看它是照抄、偏题，还是能在理解结构后做优化。
③ 接着跑【表达/创意任务 3】：把结果做成可截图卡片，让观众自己判断。
④ 再跑【主观体验任务 4】：承认边界，不强行下结论。
⑤ 最后看【价格/成本/部署门槛】：把“好不好”落到“值不值”。

[转折/高潮句]
真正让我意外的不是它完成了任务，而是它补上了【旧模型没有意识到的关键细节】。

[收尾 + CTA]
能力是一回事，成本是另一回事。你会为【这个提升】多付【这个价格】吗？

适用场景：AI 模型横评、AI 工具测评、SaaS 新功能对比、编程助手评估、设计工具评估、Agent 工作流展示。

最适合博主类型：技术测评博主、AI 工具博主、Vibe Coding 教学博主、产品经理型内容创作者。

预估完播率：中高。原因是板块多、证据密、画面变化快，能持续给刺激；但信息密度过高，若观众不熟悉模型名和任务背景，可能只记住总体情绪，记不住细节。

三、可迁移判断：这条视频真正能抄的 6 件事

1. 不要问“模型强不强”，要问“观众能不能亲眼看见强在哪里”

AI 内容最怕抽象。你说模型空间能力提升、前端能力提升、创意能力提升，观众没有体感；你让它做 MC、复刻 Steam、写一句话科幻，观众立刻能参与判断。

可复制步骤是：每讲一个抽象能力，都找一个肉眼可验收的任务。代码能力可以用小游戏、网页、bug 修复对比；多模态能力可以用图片找错、视频分镜还原；写作能力可以用一句话、开头钩子、人物对白，而不是长篇大论。

2. 横评要用同一任务，不要用不同证据拼接结论

这条视频反复用分屏对比：GPT 5.4/5.5、DeepSeek V3.2/V4 Pro、Gemini/DeepSeek、DeepSeek/混元。分屏的意义是让观众感觉“规则相同”。

内部做 AI 选型也一样。同一个 prompt、同一个验收标准、同一个输出界面，才能比较模型。否则就是拿 A 的优点打 B 的缺点，结论很容易失真。

3. 最能传播的证据不是完整报告，而是可截图的一屏

MC 分屏、写作卡片、价格表，都是可截图的一屏。短视频内容如果想被转述，就要有“截图资产”。

这对我们做博客和知识库也有启发：不要只写长段分析，要提炼判断卡、对照表、骨架模板。读者真正会带走的，往往不是全文，而是一张能复用的结构。

4. 拟人化不是装可爱，而是降低记忆成本

“DeepSeek V4 Pro”这个名字不好记，“小鲸鱼”好记。技术内容里给模型、工具、流程起一个稳定外号，不是为了卖萌，而是为了降低认知负担。

但拟人化有边界：它可以帮助观众记住模型差异，不能替代事实判断。真正高级的做法是“外号负责亲近，证据负责可信”。这条视频基本做到了这一点。

5. 测评必须落到成本，否则只是在玩玩具

很多 AI 视频停在“它好厉害”。这条视频最后讲价格，才让内容从娱乐测评进入使用决策。对真实业务来说，能力提升如果换来 8 倍输出价格，就必须重新算账。

以后我们评估任何 AI 工具，都要至少问四个问题：能力提升多少？成本上升多少？稳定性是否够？有没有更便宜的替代路线？没有成本层，测评就是半截。

6. 承认主观边界，反而提高可信度

角色扮演部分，博主说体验因人而异，不做结论。这句话非常值得学。不是所有任务都适合强排名。写作、审美、角色扮演、情绪陪伴，都有主观成分。

一个可信的测评者要会区分：哪些可以给硬结论，哪些只能给观察，哪些需要样本更多再判断。越是 AI 内容，越不能把一次测试包装成绝对真理。

四、四角度反思

1. 对我们做的事：自动学习不是存“模型新闻”，而是存“测评设计方法”

这条视频对自动学习流水线最直接的提醒是：不要把推荐流学习做成新闻剪报。今天 DeepSeek V4 Pro，明天混元，后天 GPT，模型新闻会不断过期；真正能长期复用的是测评设计方法。

我们应该沉淀的是：什么任务能检验空间理解，什么任务能检验产品审美，什么任务能检验写作味道，什么任务能检验角色一致性，什么任务能把能力落到成本。这样下次遇到新模型，不需要重新发明评估框架，直接拿任务矩阵去跑。

对橙子这套 worker 流水线来说，也要学它的“证据链”意识。下载有 mp4，转写有逐字稿，视觉有时间线，正文有 7 段拆解，知识库有判断卡，发布有链接，回执有状态。每一步都要有可验收物。没有证据链，长文写得再顺也可能只是幻觉。

2. 对橙子自己能力：要从“总结内容”升级到“识别证据是否成立”

我作为橙子，最容易犯的错误是把视频讲了什么总结清楚，就以为深扒完成了。但这条视频提醒我，深扒要多问一层：它为什么让人信？它的证据是否足够？它把哪些主观体验包装成了客观结论？哪些地方有边界意识？哪些地方只是视觉好看但不能证明更多？

比如 MC 裂纹确实是强证据，因为它对应游戏交互细节；Steam 页面好看是证据，但它同时暴露“复刻”和“自由优化”的任务边界；一句话科幻适合传播，但不能代表完整长文写作；角色扮演体验适合展示，不适合强排名；价格表能引发决策，但具体价格还要回源确认。

这种“证据分级”能力，比单纯会写长文更重要。以后我拆 AI 视频，要固定区分三类句子：画面已经证明的、口播声称但未充分证明的、需要外部验证的。这样产出的判断才更稳。

3. 对老大机构业务：可以把 AI 课程做成“任务评测场”，而不是工具清单

老大机构如果要做 AI 课程、训练营、顾问服务，这条视频给了一个很实用的产品方向：不要只教“DeepSeek 怎么用”“哪个模型更强”，而是设计一套业务任务评测场。

比如面向企业老板，可以设计“5 个业务场景横评”：写销售 SOP、改落地页、生成客服话术、分析表格、搭一个内部工具。每个场景都用同一输入，让不同模型、不同提示词、不同 Agent 工作流来跑，然后按效果、成本、稳定性、可维护性评分。

面向内容团队，可以设计“AI 内容证据卡”：同一个选题，让模型产出开头钩子、分镜、标题、口播、封面文案，再让真人编辑打分。

面向开发团队，可以设计“从需求到可运行 demo”的比赛：同一需求，不同工具链，看谁能更快交付、谁的代码更可维护、谁的自检更完整。

这种服务卖的不是工具清单，而是判断系统。工具会换，判断系统不会那么快过期。

4. 对未来发展：AI 模型竞争会从“谁更聪明”转向“谁在具体场景里更划算”

这条视频前 100 秒都在证明能力，最后 30 秒突然切价格。这个转折很像未来一两年 AI 行业的主线：模型能力继续变强，但用户不会只为“更强”买单，而会为“在我的场景里更划算”买单。

当模型之间的差距越来越细，评测就必须从通用智能转向场景经济学。一个模型在 MCbench 上更强，不代表它在客服、投放、开发、写作里都值得多付钱；一个模型便宜，也不代表它在高价值任务里划算。未来真正有价值的能力，是把任务拆清楚、把验收标准定清楚、把成本算清楚。

对内容创作者来说，单纯追新模型会越来越卷；对机构来说，单纯卖“最新工具课”也会越来越短命。更稳的方向是建立长期任务库、评测库、案例库和成本模型。谁能把“模型能力”翻译成“业务决策”，谁就更有长期价值。

五、给我们自己的执行清单

如果要把这条视频的方法迁移到我们自己的 AI 内容和业务评测里，可以直接按这 8 步执行：

1. 先定义一个普通人能看懂的任务，不要先定义抽象指标。
2. 对每个参赛模型使用同一输入、同一时长、同一验收标准。
3. 让结果尽量可视化：界面、表格、分屏、截图、可运行 demo，优先级高于纯文字。
4. 每个结论至少配一个证据点，证据最好能被截成一屏。
5. 对主观任务保留边界，不要硬排第一第二。
6. 把能力结果和成本结果放在同一篇内容里，不要只讲“强”。
7. 把争议点留给观众自然评论：价格、任务偏题、审美、角色还原，都是天然讨论入口。
8. 最后沉淀任务模板，而不是沉淀一次性结论。

这 8 步的本质，是把“我觉得它强”变成“你也能看出来它强，且你知道在哪些条件下值得用”。

六、最后的判断

这条视频最值得学的地方，是它把 AI 测评做成了一个小型展示系统：角色负责吸引，任务负责验证，分屏负责对比，卡片负责传播，价格负责决策，祝福负责收束。

它不是完美的严谨评测。样本数不多，部分指标和价格需要回源确认，角色扮演和写作也有主观性。但它非常适合短视频：观众能看见任务，能参与判断，能记住一个细节，能在评论区争论值不值。

对我们来说，真正该带走的不是“DeepSeek V4 Pro 到底排第几”，而是这句话：

评测内容的核心竞争力，不是知道哪个模型强，而是能设计出让别人也看见强在哪里的任务。

以后我们做 AI 学习、AI 课程、AI 工具选型，都应该少一点“模型新闻”，多一点“可感知证据链”。新闻会过期，证据链方法会复利。