DeepSeek V4 基准测试造假风波：83.7% SWE-bench 成绩被证伪
2026 年 2 月 15 日，一张声称 DeepSeek V4 在 SWE-bench Verified 上取得 83.7% 成绩的截图在 AI 社区疯传，该数据声称超越了 Claude Opus 4.5 的 80.9% 和 GPT-5.2 的 80.0%。然而经过多方核查，该数据已被证实为伪造，Epoch AI 总监公开确认 FrontierMath 相关分数从未存在，Reddit 社区高赞评论直指"这是假的"。
本次事件暴露了 AI 行业基准测试信任危机，AIME 2026 的 99.4% 得分在数学上不可能实现，SWE-bench 官方排行榜无任何 DeepSeek V4 记录，DeepSeek 官网也从未发布 V4 相关公告。建议公众等待官方发布和独立第三方验证，切勿轻信社交媒体流传的未证实数据。
SWE-bench 官方排行榜 Epoch AI 总监打假推文 Reddit 社区讨论 Engram 论文 arXiv:2601.07372 Verdent AI 事实核查
基准测试数据存在致命漏洞
泄露截图中 AIME 2026 得分 99.4% 在评分系统上不可能实现，AIME 共 15 题每题 8 分总分 120 分，可能得分为 0、8、16 至 112、120，99.4% 相当于 119.28 分该分数不存在。FrontierMath Tier 4 的 23.5% 成绩被 Epoch AI 总监确认为伪造，该机构运营此基准测试并声明从未对 DeepSeek V4 进行过评估。SWE-bench 官方排行榜截至 2026 年 1 月无任何 DeepSeek V4 记录，当前领先者为 Claude 4.5 Opus 的 74.40%。
官方渠道无任何发布记录
DeepSeek 官网当前最新版本为 DeepSeek-V3.2，无任何 V4 相关公告或技术报告。多家权威媒体仅报道 V4"可能在 2 月中旬发布"，均为预测而非事实确认。Reddit 原爆料帖子已被发布者删除，高赞评论明确指出"这是假的"。泄露数据声称的 GPT-5.2 High 80.0% 与 SWE-bench 官方排行榜显示的 71.80% 存在显著差异，数据一致性存疑。
信息来源质量等级极低
根据专业工程师的信息源质量分级，该泄露数据属于 Tier 4 应忽略级别，来源为无引用的营销网站和"内幕消息"账号。可信的 Tier 1 信息源仅有 Engram 和 mHC 两篇同行评审论文，但论文描述的是组件而非完整 V4 系统。社区测试缺乏受控基线，"它对我有效"不等于可推广的性能表现。建议采用验证优先原则，等待官方技术报告和独立第三方复现测试。