OpenDesign, công ty đứng sau trang web đánh giá OpenDesign Arena, đã chạy thử 13 mô hình AI với cùng một loạt các nhiệm vụ thiết kế trong tuần này. Mô hình đạt điểm cao nhất là GPT-6 Astra của OpenAI. Nhưng mô hình mới nhất của DeepSeek, V4.1 Flash, đã đạt 98% số điểm cao nhất đó trong khi chỉ tính phí khoảng 1.4% so với mức giá cao nhất.
OpenDesign Arena chấm điểm các mô hình dựa trên công việc thiết kế hàng ngày—xây dựng ứng dụng web, bảng điều khiển, màn hình di động và trang đích—trên thang điểm 100. Ba mươi điểm trong số đó kiểm tra xem đầu ra có thực sự đáp ứng yêu cầu hay không; 70 điểm còn lại đánh giá chất lượng thiết kế về bố cục, phân cấp, màu sắc và sự phù hợp về phong cách.
Nó được xây dựng để trả lời một câu hỏi cụ thể hơn so với hầu hết các bảng xếp hạng AI: Mô hình nào một nhà thiết kế web chuyên nghiệp nên sử dụng vào ngày mai.
Trên thang điểm đó, GPT-6 Astra đạt trung bình 82.7 điểm, mất 11.1 phút và 1.61 USD cho mỗi thiết kế hoàn chỉnh. DeepSeek V4.1 Flash đạt 81.2 điểm, hoàn thành công việc trong 5.3 phút và có giá 0.023 USD. Claude Fable 5.1 đạt 80.3 điểm, mất 12.8 phút và có giá 3.66 USD.
Mỗi mô hình khác mà OpenDesign thử nghiệm—Grok 4.6, Qwen 3.8-Max, Kimi K3, GLM-5.3 Flash và Gemini 3.8 Flash trong số đó—đều đạt điểm thấp hơn DeepSeek V4.1 Flash và tốn kém hơn để chạy. Đó là 11 trong số 13 mô hình được thử nghiệm. Chỉ có GPT-6 Astra đánh bại nó hoàn toàn, và chỉ với một điểm rưỡi.
Báo cáo kỹ thuật của DeepSeek cho V4.1 Flash giải thích nguồn gốc của sự tiết kiệm. Mô hình này có tổng cộng 552 tỷ tham số—các thiết lập nội bộ mà mô hình điều chỉnh trong quá trình đào tạo để lưu trữ những gì nó đã học—nhưng chỉ kích hoạt 8 tỷ trong số đó để đọc một yêu cầu đầu vào và 16 tỷ để viết phản hồi. DeepSeek gọi đây là thiết kế Causal Encoder-Decoder, và đó cũng là bí quyết đằng sau thời gian hoàn thành nhanh chóng của mô hình.
Đây không phải là lần đầu tiên DeepSeek cố gắng thu hẹp khoảng cách về khả năng với chi phí thấp. Vài tuần trước đó, mô hình V4 Pro của công ty đã đạt được hiệu suất trong phạm vi 5% so với Claude Fable 5 trong một so sánh điểm chuẩn riêng biệt, trong khi chỉ tính một phần nhỏ chi phí của Fable. DeepSeek cũng đang tuyển dụng các kỹ sư ở Bắc Kinh để xây dựng Code Harness của riêng mình, với mục tiêu sở hữu toàn bộ hệ thống tác nhân thay vì chỉ cung cấp mô hình bên dưới.
Thiết lập thử nghiệm của OpenDesign giới hạn những gì các con số này có thể chứng minh. Đầu ra của một mô hình chỉ được chấm điểm nếu nó hiển thị dưới dạng một trang web hoạt động ngay từ đầu; bất kỳ thứ gì trống, hỏng hoặc bị cắt cụt đều đạt điểm 0 và không được thử nghiệm lại. Điều đó có nghĩa là điểm chuẩn này đo lường khả năng tạo ra sản phẩm thiết kế đáng tin cậy, hàng ngày, chứ không phải khả năng suy luận chung hay kỹ năng lập trình.
GPT-6 Astra, được OpenAI phát hành vào ngày 3 tháng 9, đã có tiếng là làm được nhiều thứ—từ thiết kế bảng mạch, soạn thảo tờ khai thuế, đến xây dựng cảnh 3D—nhưng những người thử nghiệm ban đầu đã đánh dấu nó là một nhà văn yếu hơn so với mô hình mà nó thay thế. Giá cả và tốc độ của nó trên biểu đồ của OpenDesign phù hợp với thiết kế tổng quát đó: chậm hơn và đắt hơn so với sản phẩm giá rẻ của DeepSeek, nhưng vẫn là mô hình đạt điểm cao nhất trong lĩnh vực này.
Tỷ lệ bàn giao của DeepSeek V4.1 Flash—tỷ lệ đầu ra mà OpenDesign đánh giá là sẵn sàng bàn giao mà không cần chỉnh sửa—đạt 57.7%. Tỷ lệ bàn giao của GPT-6 Astra là 60%. Tỷ lệ của Claude Fable 5.1 là 56.7%.
