DeepSeek Flash（deepseek-v4.1-flash）路口调度测试最终报告
- 有效运行：
deepseek-flash_2026-10-01_114857254-73552（三次中得分最高；规则版本 16，种子 63916，tick 61–261，54 个决策周期） - 其余运行：
deepseek-flash_2026-10-01_141147819-122688、deepseek-flash_2026-10-01_114857242-96632（只用于稳定性对比） - 数据来源：
report/select-best-run.mjs与report/analyze-run.mjs的输出，加上对原始推理日志的人工判读 - 复现命令：
node report/select-best-run.mjs --model deepseek-flash，然后node report/analyze-run.mjs logs/replay_deepseek-flash_2026-10-01_114857254-73552.json
结论摘要
DeepSeek Flash 有效运行得分 748.30，是这批 v16 模型里最高的一局。它比 balanced baseline（674.49）高 73.81，比 search baseline（788.38）低 40.08。但三次运行的均值只有 642.8，标准差 75.95，波动是四个模型中最大的：另外两次分别是 607.47 和 572.62，都低于 balanced baseline。所以这次最高分里运气成分不小。最佳一局赢在前半局：前 114 拍放行 95 辆车，ID 引用零错误，横道断言正确率 91.7%。输在后半局：一起 5 车连环事故，抛锚拖车很慢，最后 52 拍里有 20 个周期 hold。
- 大波次放行能力强。 c5、c7 两次放行 16 辆车（规则上限），而且都是试算报"超过 16 辆"后主动缩减批次再成功。
- 行人几乎被放弃。 30 次行人相位尝试只成功 9 次，合法放行 5 人；15 人闯红灯，3 人受伤。行人耐心中断的响应率 0.39。
- 抛锚响应慢。 4 辆抛锚车等了 27–29 拍才派拖车。有 1 起连环事故来自尾随司机：模型放行的 V00049 后面跟着抢行的 V00054，最终 5 车相撞，锁格扣费 16.6。
0. 分数与稳定性
| 排名 | 运行 | 最终余额 | 放行车辆 | 事故 | 锁格扣费 | 上游积压 | 其他 |
|---|---|---|---|---|---|---|---|
| 1 | 114857254-73552 | 748.30 | 123 | 4 | 27.46 | 47.72 | — |
| 2 | 141147819-122688 | 607.47 | 137 | 7 | 123.68 | — | 校车罚 20 |
| 3 | 114857242-96632 | 572.62 | 96 | 5 | 126.70 | 80.55 | — |
均值 642.8，最低 572.62，标准差 75.95。第二、三局的锁格扣费都超过 120，是最佳一局的 4.5 倍。说明这个模型能否避开连环事故很不稳定。第二局放行车辆最多（137），反而得分低，原因是事故成本吃掉了通行收入。
| 策略 | 最终余额 | 放行车辆 | 未服务负债 | 事故 | 锁格扣费 | 上游积压 | 撞人 | 闯红灯罚 | 校车 | 拖车 |
|---|---|---|---|---|---|---|---|---|---|---|
| deepseek-flash | 748.30 | 123 | 189.0 | 4 | 27.46 | 47.72 | 15 | 8.0 | 0 | 9.6 |
| baseline-balanced | 674.49 | 84 | 219.6 | 6 | 21.30 | 58.85 | 25 | 5.5 | 0 | 8.4 |
| baseline-search | 788.38 | 122 | 185.4 | 2 | 3.69 | 45.85 | 10 | 6.7 | 0 | 8.4 |
余额拆解：起始 1000，局内累计变化 −76.10，终局通行费 +13.4（四个模型中最高，说明终局还有大量车在路口内行驶），未服务负债 −189.0（406 辆车未服务），合计 748.30。
| 时间段 | 周期数 | 放行车辆 | hold 周期 | 局内余额变化 | 上游积压 | 锁格扣费 | 撞人 |
|---|---|---|---|---|---|---|---|
| tick 61–140 | 7 | 62 | 1 | −8.55 | 1.71 | 0 | 0 |
| tick 140–175 | 9 | 33 | 2 | +0.59 | 5.63 | 0 | 0 |
| tick 175–210 | 14 | 10 | 8 | −15.64 | 5.92 | 16.68 | 5 |
| tick 210–261 | 24 | 18 | 20 | −52.50 | 34.46 | 10.78 | 10 |
相对 search baseline 的 40 分差距：锁格扣费多 23.8，撞人多罚 5，未服务负债多 3.6；终局通行费多 13.4，抵掉了一部分。
1. 基础分析
1.1 上下文能力
| 指标 | 数值 |
|---|---|
| 每次请求 prompt tokens | 平均 22,308，P95 36,993，最大 50,748 |
| 每次回复推理 tokens | 平均 5,278，P95 14,934，最大 22,011 |
| 每周期 API 轮数 | 平均 3.4，最多 5（上限 8） |
| 工具参数里的 ID | 542 个，100% 能在当轮上下文中找到 |
| 非规范 ID / 重复失败调用 | 0 / 0 |
| working memory | 未使用 |
判读：ID 引用零错误，推理 token 比 V4 Pro 少约 1/3。但自我修正标记高达 8,526 次（平均每次回复 46.1 个，四个模型中最多），推理里大量"Hmm wait / Actually"。
1.2 注意力分布
v16 的观测里没有车道矩阵、出口和 reservedUntil 等字段，这些概念不参与统计。
| 关注较多（≥0.9） | 关注中等（0.75–0.9） | 关注较少 |
|---|---|---|
| 横道、候选冲突、行人预警、正在放行车道（1.0）；时间预算 0.96；停止线候选 0.94；抛锚 0.92；紧急车 0.91 | 司机预警 0.89、上周期回顾 0.89、被撤销放行 0.80、hold 0.76、上次结算 0.76 | 在路口车辆 0.68、车道引导机会 0.59 |
| 唤醒原因 | 次数 | 有响应 | 响应率 |
|---|---|---|---|
| ACCIDENT_INTERRUPT | 8 | 8 | 1.00 |
| VEHICLE_RED_LIGHT | 4 | 4 | 1.00 |
| VEHICLE_TAILGATE | 1 | 1 | 1.00 |
| PEDESTRIAN_JAYWALK | 15 | 6 | 0.40 |
| PEDESTRIAN_PATIENCE | 28 | 11 | 0.39 |
判读：对车辆和事故的唤醒全部有响应，对行人的唤醒有六成被忽略。另外，对在路口行驶车辆的关注率只有 0.68，与后面"放行车辆冲进连环事故"的问题对得上。
1.3 tool_call 准确性
整体 298 次调用，成功率 78.9%；56 次回复并行发出多个工具调用，最多一次 8 个。
| 工具 | 调用 | 成功率 | 说明 |
|---|---|---|---|
| dry_run_admit | 103 | 38.8% | 车道头未就绪 20、资源冲突 20、额度用完 14、超过 16 车 4、规划视野超限 3、top_n=9 超限 1 |
| commit_schedule | 53 | 100% | — |
| inspect_crosswalk / inspect_lane_queue / inspect_incident | 59 / 33 / 24 | 100% | 检查工具用得最多 |
| order_accident_clearance / dispatch_tow_truck / dispatch_emergency_convoy | 17 / 8 / 1 | 100% | — |
| 从未使用 | — | — | working memory、绕行、改道、车道引导 |
判读：试算失败里"车道头未就绪"多达 20 次，说明它常对还没到停止线的车道发起放行。"超过 16 车"出现 4 次，说明它倾向于把批次堆满。
1.4 Agent 能力
| 指标 | 数值 |
|---|---|
| 先试算再提交 | 92.5% |
| 提交构成 | verified 18、unverified 4、hold 31 |
| 每周期放行车数 | 平均 2.3，最多 16 |
| 速度档位 | 全部 CRUISE |
| sleep_ticks | 平均 7.1；10 拍 24 次 |
| 决策开销 | API 185 次扣 3.70，非终结工具 245 次扣 0.37 |
| fallback | c26 一次 |
判读：常用的流程有"试算两次再提交"（DDC 10 次）和"先 5 次检查再提交"。hold 周期占 57%，后半局尤其保守。
2. 进阶分析
2.1 逻辑推理
- 横道几何是四个模型里最准的。 325 条断言，正确率 91.7%；前半局 57 条错 9 条，后半局 268 条错 18 条。错误样例：
- c7：「N_S1_STRAIGHT (north straight, heading south) crosses the east」（实际经过北、南横道）。
- c9：「E_L1_LEFT (V00079) turning left would cross the N」（实际经过东、南横道）。
- c17：「S_R1_RIGHT cross the WEST」（实际经过南、东横道）。
- 会算抢行司机的账，但只算了一半。 c16 推理：「V00095 (aggressive, patience 0) behind V00087 in W_S2. It would tailgate and enter illegally, not paying. We should include V00095 in the batch as a legal admit to get its revenue」。它把尾随者变成合法放行。但同批放行的 E_S1/E_R1 车辆（V00170、V00181）两拍后冲进了 INC0001 连环事故。
- 沿用上周期结论，不重新验证。 c42 推理：「Let me trust the prior analysis somewhat but re-derive… Clean routes: W_R1_RIGHT and S_L1_LEFT per prior」。最后它没有重新推导，而 W_R1_RIGHT 经过西、南横道，那里的行人耐心只剩 12 和 4（见 2.4 第 1 条）。
- 纠错能力中等。 试算失败 49 次，再试 30 次，成功 13 次（43%）；35 次失败后最终 hold。"说安全却冲突" 16 次。
2.2 复杂环境博弈
行人。 30 次相位尝试中 9 次成功，合法放行 3 批共 5 人：c13 t158 东横道 3 人，c24 t188、c25 t196 西横道各 1 人。15 人闯红灯（罚 8.0），3 人受伤（罚 15）；行人告急时仍放行经过该横道的车辆 73 车次，被撞的 3 人都在告急预警里。
事故。
| 事故 | 类型 | 发生–关闭 | 车辆 | 估算成本 | 责任来源 |
|---|---|---|---|---|---|
| INC0001 | 连环事故 CRITICAL | 176–208 | 5 | 16.6 | c10 放行 V00049、c12 V00081、c16 V00170/V00181，加上尾随者 V00054 |
| INC0002 | 撞人 SERIOUS | 186–201 | 1 | 6.6 | c22 放行 V00155（N_R1_RIGHT） |
| INC0003 | 连环事故 CRITICAL | 213–234 | 3 | 11.5 | 闯红灯 V00062、V00038 + c25 放行 V00098（E_L1_LEFT） |
| INC0004 | 撞人 SERIOUS | 248–局终 | 1 | 7.7 | c42 放行 V00129（W_R1_RIGHT） |
4 起事故的首次响应都在 1 拍内。
抢行司机。 尾随者 V00054 在被提示 2 次之后，于 c15 抢行，造成 INC0001。V00062 和 V00038 在 c26 闯红灯，造成 INC0003。
抛锚。 9 次抛锚里 4 次的派车延迟在 27–29 拍：V00006、V00014、V00068 各 27 拍，V00122 等了 29 拍。另外 4 次在 1–10 拍内派出，V00209 到局终都没派车。拖车总费用 9.6。
紧急车辆。 c10 对 V00034（已经静止 73 拍）调用紧急车队，成功清出 S_L1 车道。V00056、V00212、V00235 到局终都没有放行。
2.3 亮眼操作
- c5 t101 与 c7 t121：两次 16 车满额波次。 两次都先因为"超过 16 辆"失败（分别报 18 辆和 20 辆），再缩减批次后试算通过。c7 摘要：「All straights/lefts blocked (RESERVATION) until 145-153 … Admitted 4 right-turn lanes Top-N (16 veh, reward 11.5), incl emergency V00036 head of W_R1」。直行被预约封住时，它改用四条右转车道补足流量，还顺带放行了紧急车。
- c6 t111：东向 12 车波次，收益 18.3，是单周期收益最高的一次。
- c10 t142：紧急车队清车道。 推理：「emergency vehicle V00034 … has been stationary 73 ticks! … dispatch_emergency_convoy which releases the cars ahead as a zero-gap convoy. That clears route S_L1_LEFT」。它准确理解了工具语义。
- c36 t220：连环事故期间仍找到安全通道。 先检查事故和两个横道，再下令清障，然后放行 9 辆东西直行车。摘要：「Only clean axis = E-W through (WEST crosswalk jaywalker gone; EAST no jaywalker yet)」。
2.4 最差操作
- c42 t237：沿用旧结论，单放一车撞人。 南横道两名行人耐心都是 4，西横道 12 和 20。模型认定「only W_R1_RIGHT (clean) & S_L1_LEFT admissible」，试算额度用完后，没有经过验证就把 V00129 放行了。W_R1_RIGHT 经过西、南横道，tick 248 V00129 在西横道撞人（INC0004），到局终都没关闭。
- c16 t174：11 车东西波次冲进连环事故。 南向 S_S2 车道上 V00049（c10 放行）后面的尾随者 V00054 已经被提示过 2 次。模型在 c16 仍放行 E_S1/E_R1。tick 176，V00054 抢行形成 5 车连环事故，V00170、V00181 都被卷入。这一局的事故成本里，c16 分摊 8.31。
- c25 t196：E_L1 放行后撞上闯红灯车。 6 辆 E_L1 车（只有这条路线未被堵住）加上一批西横道行人。当时 V00062、V00038 在 N_S1/N_S2 停止线上耐心为 0，已经在司机预警里。tick 213，二车闯红灯与 V00098 相撞（INC0003），分摊 11.54。
- c22 t184：单放 V00155 撞人。 摘要：「Only free head = V00155 (N_R1_RIGHT) -> admit to keep right-turn flow + suppress WEST jaywalk」。当时西横道有一名行人耐心为 0，另外两名只剩 15 和 16。tick 186 V00155 撞人（INC0002）。
- tick 210–261 收缩。 24 个周期里 20 个 hold，只放行 18 辆，上游积压 34.46。
3. 损失链条
前半局大波次放行（前 114 拍 95 辆车，几乎无损失）
↓
后续车道里堆积了耐心为 0 的抢行司机，模型只"合法化"自己看到的一辆
↓
tick 176 尾随者抢行 → 5 车连环事故，模型 c16 放行的车辆也被卷入
↓
事故锁住大量格子 + 行人大量闯红灯 → 后半局 hold 占 83%
↓
上游积压 34.46 + 两起"单放一车"撞人 + 终局 406 辆未服务
4. 评测局限
- 规则版本 16 的环境限制。 系统提示里没有路线-横道规则；横道上看不到未来车辆预约；不接受短键别名。行人奖励要等行人走完全程才结算，所以这一局和两个 baseline 的行人奖励都是 0。v16 观测未压缩，与 v17 之后的结果不能直接比较 token 用量。
- 仍存在的引擎问题。 闯红灯检查只把"本拍在动"的车当作威胁；已在路口内的车不会为事故刹车，试算也只检查当前的锁。INC0001 里 c16 车辆被卷入，就与后一点直接相关。
- 统计口径是启发式的。 注意力、横道断言和矛盾检测靠正则匹配推理文本；事故成本按"锁格 × 严重度 × 开放时长"分摊。如果放行后在真正进入前被撤销，车辆算自行进入，不算到提交周期头上。
- 样本量与运气。 三次取最好、单一种子。flash 的标准差高达 75.95，这个最高分不能代表它的平均水平，横向比较时建议同时参考均值。