2025 年 8 月《DeepSeek-V3.1 SQL 能力评测报告》发布

一、本期导览与核心看点

2025 年 8 月，SCALE[1] 评测基准在纳入 GPT-5 家族 后，又马上纳入了 深度求索[2] 公司于 8 月 21 日发布的最新模型 —— DeepSeek-V3.1。

https://www.deepseek.com/

https://www.deepseek.com/

本报告旨在通过我们标准化的测试集，客观评估该模型在专业级数据库 SQL 任务中的综合能力，并揭示其在企业真实场景下的表现。

评测结果显示，DeepSeek-V3.1 在 “理解、优化、转换” 三方面表现出较为均衡的实力。其在 SQL 优化 维度上表现相对突出，获得了 67.3 分，为需要进行深度代码分析与系统维护的场景提供了有力的支持。

二、评测基准说明

为保证评测的纵向可比性与结果的稳定性，本月测评维度依旧围绕三大维度进行测评：SQL 理解、SQL 优化 与 SQL 方言转换，以确保对所有参评模型进行公平且深入的评估。

三、新增模型深度分析

以下是对 DeepSeek-V3.1 的首次评测表现进行详细剖析。

https://sql-llm-leaderboard.com/models/deepseek-v3.1/2025-08

https://sql-llm-leaderboard.com/models/deepseek-v3.1/2025-08

SQL 理解能力（综合得分：70.2）

SQL 理解能力

SQL 理解能力

模型表现分析

• 优势：模型在 “语法错误检测” 上表现稳健，得分最高，证明其具备可靠的代码审查基础能力。
• 不足：在 “执行计划检测” 上得分最低，表明其对 SQL 深层性能、执行逻辑的理解能力是短板。

横向对比

DeepSeek-V3.1 在该维度位列第 12 名，与第一梯队的模型存在一定差距。

例如，排名首位的 Gemini 2.5 Flash 得分为 82.3，高出 12.1 分。考察其核心原因，主要在于执行准确性能力。这一指标本质是模型对 SQL 深层语义与复杂逻辑理解的最终落地结果，而 DeepSeek-V3.1 该指标仅 70 分，显著低于 Gemini 2.5 Flash 的 90 分，这直接导致其在 SQL 的深层语义解析与复杂逻辑理解层面，仍有较大追赶空间。

SQL 优化能力（综合得分：67.3）

SQL 优化能力

SQL 优化能力

模型表现分析

• 优势：高度可靠。 模型在语法遵循上表现优异（94.7分），并能较好地维持优化前后逻辑的一致性（78.9分），确保了方案的安全性与可用性。
• 不足：创新性与深度不足。 其 “优化深度” 得分（57.8分）是主要短板，表明模型倾向于保守优化，缺乏生成高级、复杂优化策略的能力。

横向对比

DeepSeek-V3.1 以 67.3 分位居第 9，与专用工具 SQLFlash[3]（88.5分）及同类通用模型 DeepSeek-R1（71.6分）等头部产品存在差距。

这一差距主要体现在优化策略的深度与复杂性上。其 “优化深度” 得分（57.8分）不仅是自身弱项，更与头部模型相去甚远，这揭示了模型在深度分析和复杂策略生成上的能力瓶颈。同时，其 “逻辑等价” 表现（78.9分）虽属良好，但与头部模型的严谨性相比仍有提升空间，说明其在 逻辑一致性校验 方面需进一步加强。

SQL 方言转换能力（综合得分：63.2）

SQL 方言转换能力

SQL 方言转换能力

模型表现分析

• 优势：在特定知识领域与场景化应用中表现卓越。 DeepSeek-V3.1 在 “国产数据库转换” 任务中获得满分，这突出表明其具备强大的特定领域知识库和高效的场景化适应能力。它能够精准理解并应用特定、明确的规则体系，在知识密集型且边界清晰的专业任务中展现出完美的执行力。
• 不足：在处理长上下文和复杂逻辑时能力存在显著短板。 DeepSeek-V3.1 在 “大 SQL 转换” 项目上得分极低，这直接揭示了其在处理超长、复杂上下文时的核心弱点。当面临信息冗长、逻辑链条复杂、需要全局理解和推理的任务时，模型存在逻辑遗漏或处理失败的风险，这是其通用能力上的关键瓶颈。

横向对比

在 SQL 方言转换维度，DeepSeek-V3.1 以 63.2 分排名第 13 位，显著落后于 GPT-5 mini（79.6 分）、o4-mini（77.4 分）等头部模型。

其根本原因在于能力分布的不均衡：模型在 “国产数据库转换” 等特定场景下表现完美（100 分），但在更考验通用基础能力的环节却暴露了明显短板。例如，其 “大 SQL 转换” 得分（25.8 分）远低于 GPT-5 mini（58.1 分），这反映了其长上下文处理能力的不足；同时，“语法错误检测” 得分（57.1分）也大幅落后于头部模型的精准度（92.9分）。这种通用能力的缺失，是其综合排名靠后的主要原因。

四、总结与展望

DeepSeek-V3.1 的加入为我们提供了又一个重要的数据切片。本次评测结果清晰地表明，当前通用大模型在 SQL 任务上呈现出 “各有所长，亦各有所短” 的特点。例如，DeepSeek-V3.1 在处理特定场景（国产数据库转换）时表现优异，但在长文本处理（大 SQL 转换）和深度优化上则有明显不足。

这再次印证了我们的观点：脱离具体场景对模型能力进行排名是不全面的。

五、后续计划

我们将持续追踪并引入业界前沿的大模型。备受关注的专业级应用 SQLShift[4] 的详细评测报告也即将发布，敬请期待。

我们致力于通过开放、透明的方式建立行业公认的 LLM SQL 能力评估标准，并诚挚邀请社区提供宝贵的反馈。

参考资料

[1]

SCALE: https://github.com/actiontech/sql-llm-benchmark

[2]

深度求索: https://www.deepseek.com/

[3]

SQLFlash: https://sqlflash.ai/

[4]

SQLShift: https://sqlshift.cn/

✨ Github：https://github.com/actiontech/sql-llm-benchmark

💻 官网：https://sql-llm-leaderboard.com/