测评声明（B 级实测 · 复测）：2026 年 10 月 18 日中午，DeepSeek 网页版 chat.deepseek.com（已登录免费档，站主既有账号，页面默认模型），用与 9 月 14 日首测完全相同的 8 道冻结真题逐题复测：题干不改字、判定不松动、每题强制新开对话、全程截图与文本双留证，证据存于 docs/reviews/deepseek/。距首测 34 天，正处月度复测窗口——同一套题、同一把尺子，量的是这一个月它稳不稳。
评分卡（100 分制 · B 级实测复测口径）
| 维度 | 得分 | 判定依据（实测） |
|---|---|---|
| 任务完成度（20） | 20.0 | 8 题全部完整通过，无拒答无失败 |
| 输出质量（15） | 14.0 | 质量题锚点 T2 9.5 / T5 9.5 / T6 9.0，均分 9.33 |
| 准确与幻觉（10） | 10.0 | 四道准确题合计 0 错（首测 1 错） |
| 性能与稳定（8） | 7.0 | 单题耗时中位约 33 秒，8 题零失败零限流 |
| 易用性（7） | 6.3 | 沿用首测十项清单结果（命中 9 项），本轮界面无结构性变化 |
| 价格与权益（6） | 5.5 | 免费档 8 题无额度墙无付费墙 |
| 合规与数据安全（4） | 3.5 | 隐私政策与备案资质可查；注销通道未逐项核验 |
| chat 类专项（30） | 28.9 | T1 9.5 / T4 10.0 / T5 9.5 / T7 9.5，均分 9.625 |
| 总分 | 95.2 | S 级 · 强烈推荐（2026-10-18 复测，90 天后需再复测） |
测试说明：8 道题覆盖格式指令、百字写作、数学应用、联网核查、长材料归纳、复合指令、逻辑推理与错误前提陷阱，判定标准在首测前冻结、本轮逐字沿用，与文心一言（88.3）、豆包（88.8）、元宝（90.3）同题同判，可直接对照。执行层面有一处波折值得交代：T3-T8 首轮自动化没有强制新会话，六道题进了同一个对话，为了不破坏「新会话、不携带历史偏好」的原则，这六题当天全部重跑了一遍，两轮输出都留在证据目录里可查。
先说最重要的结论：首测里虚构引文的那个毛病，这次彻底消失了。T8 故意把《背影》安在鲁迅头上，9 月那次它纠正了作者、却编了一句原文里不存在的引文，按规则计 1 错，也是它 92 分里唯一的污点；这次它首句就点破「作者是朱自清，并非鲁迅」，随后 8 处引用从「事忙」到「进去吧，里边没人」，我们逐条比对原文，一个字都没编。92.0 到 95.2 的差距，主要就是这 3 分。
另外七道题几乎复制了首测的稳定。T1 五大淡水湖表格 6 行 4 列零废话，仍是同题组里少数的满分答卷；T3 消元法解出笔 5 元、笔记本 4 元；T7 三假设逐一排除、结尾还加了回代检验，「乙说真话」的结论零跳步。写作也更精炼了：62 字的秋晨，扫帚的沙沙声、桂花的甜香和「谁不想多站一会儿呢」的反问全在里面，比首测那版收得更干净。
真正值得单独说的是 T4 联网核查。题目问「截至 2026 年 6 月中国网民规模」，它没有顺着问题给一个漂亮的数字，而是先声明官方没有这个时点的数据，再给出第 57 次报告的 11.25 亿（截至 2025 年 12 月）和统计口径，末了还辨析了一句 QuestMobile 的 12.82 亿月活是另一把尺子、不能混用。我们独立检索核验，第 57 次的数字准确，第 58 次报告确实查无公开发布证据。做课程论文的小周上个月就栽过类似的坑：他引用了一篇自媒体文章里的「最新网民数据」，被老师一句「出处是第几次报告」问得哑口无言，回去重查才发现那篇文把 2025 年 6 月的数安到了 2026 年头上。AI 查资料这件事，愿意说「官方还没发布」的，比急着给你个数字的可信得多。
要点实录（4 题，完整证据见 docs/reviews/deepseek/）
| 题目 | 实际输出摘要 | 判定 |
|---|---|---|
| T1 格式表格 | 仅一个表格零多余文字，6 行 4 列，五湖与省份全对 | 1.0（T1_retest） |
| T4 联网核查 | 声明官方数据空缺 + 第 57 次 11.25 亿 + QuestMobile 口径辨析，未编造第 58 次 | 0 错（T4_retest） |
| T7 悖论推理 | 三假设逐一排除 + 回代检验，乙说真话，无跳步 | 0 错（T7_retest） |
| T8 陷阱题 | 首句纠正朱自清，8 处引文逐条核验全部真实 | 0 错（T8_retest，首测 1 错） |
分场景结论：查资料、写东西、做归纳、解逻辑题，DeepSeek 依然是同题组里最可以放心交任务的那一个——34 天两轮实测，格式、推理、诚实度全部稳在最高档，速度还从首测的中位 48 秒提到 33 秒。要留两分清醒：联网场景对「新报告、新发布」这类时效断言的核查习惯仍建议保留，本轮没再出现首测那种查无实据的引用，但样本只有一轮；易用性、价格、合规三个维度本轮沿用首测清单结果，界面没有结构性变化，严格说没有逐项重查。局限性：1 天 8 题单轮实测，样本有限仅供参考；登录免费档、页面默认模型，API 与深度思考模式未测；T4 判定基于 2026-10-18 的公开信息，若第 58 次报告后续发布，该题结论需以官方为准。利益披露：无联盟链接、无商业合作；DeepSeek 与本站无任何商业关系，不影响本次评分。