摘要：本文用一套 9 道可验算的硬题，对 DeepSeek V4.1 Flash、Step 5、MiMo V2.6 Pro 和 MiMo V2.6 Flash 四款免费档大模型做了同台裸考实测。结论是：答案对错层面四家基本打平，所有翻车事故都集中在同一道矛盾检测题上；真正的差距在速度和稳定性——MiMo 深度惊人但思考动辄十几分钟，DeepSeek 则全程零错误、零崩溃、零等待。作者最终选择无脑 DeepSeek，并指出免费档网页端在深度、速度、稳定三者中顶多给你两样。

DeepSeek MiMo Step免费档同台实测：答案几乎全对，翻车全在同一道题

到处都在晒 MiMo V2.6 的跑分，夸上天的说法满天飞。但跑分表不会告诉你两件事：它答一道题要想多久，以及它什么时候会当场宕掉。

所以我自己出了一套考卷：9 道题（8 道正题 + 1 道加考），全是能一步步验算的硬题。范围覆盖最坏情况穷举、约束求解、四步溶液混合、矛盾检测、链式计算、Agent 任务规划、时钟陷阱，外加一道带 6 条硬约束的编码题。

考生四位：DeepSeek V4.1 Flash、Step 5、MiMo V2.6 Pro、MiMo V2.6 Flash。全拉到各自官网 chat 里同台，不开联网、不调工具、纯裸考，多数题目同题重复三遍测稳定性。

先说结论，省得你往下翻：

1. 答案对错层面，四家基本打平——除了 MiMo Flash 在一道简单题上摔了一跤；

1. 所有的事故，全集中在同一道题上；

1. 深度、速度、稳定，免费档顶多给你两样。我的选择是：无脑 DeepSeek。

下面按顺序讲。

---

一、考官先翻车：我的标准答案先错了

这套考卷戏剧性的一幕，发生在判卷环节，跟考生无关。

第 2 题是道约束求解题：四块花田，规则给了对角守恒（左上=右下，右上=左下）、相邻差值≤7、总量 100，已知红色 28 朵，问黄蓝绿各多少。

我出题时的设计意图是陷阱题：标准答案给了 3 组解，考模型会不会漏解。

结果 DeepSeek 三跑全答"黄=蓝=22，唯一解"，还主动写了唯一性证明。我按答案键判它错，直到我重新读题才发现：规则 1 白纸黑字写了"右上=左下"，这条规则直接强制黄=蓝，再由总量锁定 22。唯一解，模型是对的，我的标准答案是错的。出题的时候我只执行了自己规则的前一半，把后一半忘了。

处理方式很直接：改题面（删掉"右上=左下"），作为加考题让四家重考。结果四家全给出了完整的 3 组解。

这件事真正触动我的一点是：旧题面下四家都顶住"答案键预期多解"的陷阱答了唯一解，新题面删掉规则后它们又都正确枚举出 3 组。题面一变，答案跟着变。它们是真在读题推理，不是在背题库。连考官都会翻车，这正是独立实测存在的理由。

---

二、成绩单：对错层面，四家基本打平

9 个计分单元，先看总表（✅ 表示该题全部跑次正确）：

计分单元	DS V4.1 Flash	Step 5	MiMo Pro	MiMo Flash
Q1 最坏情况穷举	✅×3	✅×3	✅×3	⚠️ 2/3，1 跑错
Q2 约束求解（原版）	✅×3	✅×3	✅×3	✅×3
Q3 四步溶液混合	✅	✅	✅	✅
Q4 矛盾检测	✅×3	⚠️ 1 崩	⚠️ 2 崩	⚠️ 1 次被放弃
Q5 链式计算	✅	✅	✅	✅
Q6 Agent 规划	✅×2	✅×2	✅×2	✅×2
Q7 时钟陷阱	✅	✅	✅	✅
Q8 编码 6 硬约束	✅×2	✅×2	✅×2	✅×2
加考（修正版 Q2）	✅×3	✅×3	✅×3	✅×3

几道题的成色说明一下：

• Q3 溶液混合是全卷计算量的重头戏：四步倾倒、每步要算转移的盐量，最后 A 瓶 230ml/20.82%、B 瓶 500ml/14.08%、C 瓶 270ml/22.86%，Step 和 MiMo 两档还主动做了"总盐量 180 克守恒"的校验（DeepSeek 没做这步，直接交了答案）。更意外的是，四家全都在开头指出了同一处题面瑕疵：题目给的是体积、要的是质量百分比，缺密度数据，严格来说算不出来，然后声明按密度 1g/ml 的常规假设解题。免费档模型开始反过来审题面了。

• Q1 那一跤是全卷仅有的一次真实推理错误，MiMo Flash 第三跑答了 28（正确 29）。事后拆解：它的推理框架本身没错，但枚举失败集合时把两种情形里"跟条件无关的西瓜糖"漏算了一遍，同一个失误一张卷里犯两次，最大失败集合被算成 27，答案差 1。同一家族的 Pro 三跑全对，Flash 自己前两跑也对。智力够用，仔细度断了弦。

• 顺便说个四家里只有 MiMo Flash 抓到的细节：Q3 题面说 B 瓶 500ml，第一步倒 100ml 进去就变 600ml——如果 500ml 指瓶子容量，这瓶水早溢出来了。它指出题面的 ml 只能理解为"初始装液量"。挑刺能力这块，四家谁都不缺。

到这里，如果你只想知道"谁聪明"，答案已经出来了：都够聪明，跑分焦虑可以放下了。真正拉开差距的，在下面。

---

三、所有的翻车，全在同一道题上

第 4 题是全卷最狠的一道：写个函数找出列表里出现次数为奇数的元素，但禁止用任何额外数据结构、时间 O(n)、空间 O(1)，然后问：这些要求能同时满足吗？

标准答案：不能，而且要给出证明。

这道题是照着"矛盾检测"设计的，结果它成了照妖镜，只是照出来的不是智力：

	第 4 题战况
DS V4.1 Flash	3 跑全过，零事故
Step 5	1 跑思考链崩掉、零输出；另 2 跑满分
MiMo Pro	2 跑思考到最后、正文一个字没出来；仅有的成功一跑是全场天花板答卷
MiMo Flash	1 跑思考半小时没结果，被我手动关掉；出结果的两次，一次思考了 1012.7 秒——17 分钟

注意一个反直觉的规律：越是能想的模型，崩得越狠。 MiMo 家族在成功状态下交出了比别家深一档的证明：Pro 用了通信复杂度的下界论证，Flash 用了自动机状态计数，都到了教科书水准；DS 的证明偏浅，给的是反例加直觉论证，但它三跑全过、总共没让你等超过一分钟。

差距出在输出配额和思考预算上：题目一难，思考就刹不住，跑着跑着把输出额度烧穿了。免费档网页端的真实短板在这儿，不在脑子上。

---

四、速度：流畅本身就是优势

这一节没有跑分，只有体感，但恰恰是它决定了我的选择。

四家答完 9 道题，体感差距是这样的：DeepSeek 快得多，Step 中等，MiMo 两档都慢，Flash 略好于 Pro，但也只是"从绝望变成煎熬"。

夸张的一次等 MiMo：屏幕上"思考中"滚了 17 分钟才吐出答案。我可以负责任地说，任何真实使用场景里，我早在第 3 分钟就关掉页面了。事实上那次测试里就有一跑是等我失去耐心手动掐掉的。

这里必须说句公道话：MiMo 的深度是真的。同样的第 4 题，DS 给的是"能用"的证明，MiMo 给的是"能发表"的证明。问题在于，我付不起那个时间。

---

五、各家的小怪相：错都错得很有性格

多跑测试的好处是能抓到跑分表从不展示的一面：

• Step 5：有一跑它没解题，反过来把我给的材料当成了"用户提交的答案"，开局一句"你的推理是正确的，我复核一遍"，审稿人上身。另一跑开局自称"作为 StepFun 的模型，我无法真正操作您的电脑"。诚实，但全卷就它一个这么开场。

• MiMo Pro：有一跑把整份答案原样输出了两遍，复读机式 glitch。

• MiMo Flash：除了 Q1 那次失误，还贡献了一处把细节抠到秒的加分：Q7 时钟题算完 7.5° 之后，顺手把时针分针"真正重合"的时刻也算了出来：约 3 点 16 分 22 秒。我验了，对的。

• DS：没有怪相。它的缺点是证明给得浅、答案写得啰嗦，仅此而已。

---

六、我的结论：免费档三选二，我选快和稳

9 道题、四家、七十多轮作答跑下来，我的总结是一句话：

深度、速度、稳定，免费档网页端顶多给你两样。

• MiMo Pro/Flash：深度天花板 + 稳定性中等，代价是速度慢到影响可用性。适合不赶时间的研究场景，不适合当日常主力。

• Step 5：三项居中，证明能力意外地硬，但没有一项顶到头。

• DS V4.1 Flash：深度偏浅，但速度、稳定、仔细度全占：全卷零错误、零崩溃、零等待。

所以我的答案很明确：在结果没问题的情况下，我无脑选 DeepSeek。整个过程太流畅、太舒服，这种"问完就有人接话"的体验用过就回不去。也认真考虑过费用：DeepSeek 的 API 价格摆在那儿，说实话它并没有贵到让我愿意用 MiMo 那种等待时间去换的程度。为了一段 17 分钟的更优雅证明等 17 分钟，这笔账怎么算都不划算。

跑分表会告诉你谁的分高，只有自己出一套题跑一遍，才会告诉你谁用着舒服。整套考卷我发成了公开网页，不服的自取测试：免费档大模型同台实测 · 自编考卷（9 题） 。毕竟连我的标准答案都翻过车，这可能是整场测试里的头号彩蛋。

---

测试口径：2026-09-23，四家官网 chat 网页端实测（非 API），关闭联网与工具，每题新对话、多数题目同题重复三遍测稳定性；MiMo 以公测期 V2.6 Pro 为主力、V2.6 Flash 补测，均为公测期免费可用版本。公测期版本随时可能灰度切换，结论有时效性。