· DeepSeek V4 Pro 正式版（DeepSeek-V4-Pro-0813）独立测评
声明
本文为独立第三方个人视角的测评，非 DeepSeek 官方发表，未接受任何厂商委托或赞助。评估对象为深度求索（DeepSeek）于 2026 年 8 月发布的旗舰级大语言模型 V4 Pro 正式版（版本号 DeepSeek-V4-Pro-0813）。本报告依据 DeepSeek 官方 API 文档及定价页、权威媒体公开报道、独立研究机构评测数据及开发者社区实测结果编制，评估时间为 2026 年 8 月 16 日。
本报告所引数据均注明来源，并区分官方自测、独立评测与社区实测三种口径，避免口径混淆影响结论。报告核心结论为撰写方独立意见，不构成投资决策或采购依据，特此声明。
一、发布背景
V4 Pro 正式版并非通过发布会对外宣布，而是于 2026 年 8 月 12 日深夜，通过更新官网 API 文档中的版本号方式低调上线。后续两日，官方先后数次发布并回撤相关公告，API 服务始终保持在线。据环球网等媒体报道，8 月 13 日，智能体框架 DeepSeek Harness（DSH）v0.1 随正式版一同发布，采用 MIT 协议；8 月 14 日，国家超算互联网完成对 V4 Pro 正式版及 Harness 的上线。
综合公开信息，本次发布呈现以下特征：
其一，发布流程已趋于工程化。版本切换、接口更新与公告发布各环节衔接流畅，属常规大版本发布，而非一次性事件。
其二，官方强调了信息来源管理。DeepSeek 曾提示"请以官方账号为准，其他渠道言论不代表我方观点"。正式版上线后，网络相关讨论较多，来源与质量不一，建议读者优先采信可溯源的官方与权威信源。
其三，模型之外的战略布局值得关注。DSH 承担将模型接入文件系统、终端、网页与代码工具的能力，其形态与 Claude Code 较为相似，显示 DeepSeek 的布局正从模型供给方向智能体基础设施方向延伸。
二、模型规格
V4 Pro 正式版核心规格如下，均取自官方 API 文档口径：
| 维度 | DeepSeek-V4-Pro-0813 | DeepSeek-V4-Flash-0731 |
|---|---|---|
| 模型架构 | MoE（混合专家） | MoE（混合专家） |
| 总参数量 | 约 1.6 万亿（1.6T） | 相对较小 |
| 激活参数 | 约 490 亿（49B） | 相对较小 |
| 上下文长度 | 1M（100 万 token） | 1M |
| 最大输出长度 | 384K token | 384K |
| 思考模式 | 支持，默认开启 | 支持，默认开启 |
| API 兼容 | OpenAI / Anthropic / Responses / Codex | 同左 |
| 开源协议 | MIT | MIT |
| API 并发上限 | 500 | 2500 |
需说明，据权威媒体与社区综合口径，关于总参数量存在"1.6T"与"862B"两种统计口径，本报告采用主流口径 1.6T/49B。二者差异源于统计范围是否含非激活权重及词嵌入层，并非指代不同模型。
从参数结构看，V4 Pro 的核心特征在于 49B 激活参数与 1.6T 总参数构成的强稀疏激活配比，配合 384K 最大输出长度，可支撑长上下文、长链路任务。技术底座方面，据官方技术说明，V4 系列引入混合注意力架构、流形约束超连接及 Muon 优化器，并在训练中采用 FP4+FP8 混合精度。
三、评估方法与数据口径
考虑到不同评测体系结论差异显著，本报告将数据划分为四类口径分别呈现，未作跨口径直接换算：
- 官方口径：DeepSeek 自测的智能体基准数据；
- 通用能力口径：代码、数学、推理等通用任务的基线数据；
- 独立口径：第三方研究机构的独立评测数据；
- 专项口径：面向特定领域（如网络安全）的专项评测数据。
各口径数据来源明确，结论独立，评估过程中不进行主观加权，仅作并列呈现与综合分析。
四、评测结果
4.1 官方口径：智能体基准
据 DeepSeek 官方发布的智能体基准测试数据：
| 基准 | V4 Pro 0813 | 预览版 | Claude Fable 5 | Claude Opus 4.8 |
|---|---|---|---|---|
| Terminal-Bench 2.1 | 87.9 | 72.1 | 88.0 | — |
| CyberGym | 83.3 | 52.7 | 83.1 | — |
| DeepSWE | 62.7 | 12.8 | 70.0 | 58.0 |
| DSBench-Hard | 67.2 | 31.1 | — | — |
| AutomationBench | 31.8 | 12.8 | — | — |
| 10 项智能体基准均分 | 62.8 | — | — | 62.6 |
![官方智能体基准数据（来源：公开网络）]
数据表明，DeepSWE 由预览版 12.8 提升至 62.7，增幅约五倍；该基准考察读仓库、问题定位、跨文件修改、测试运行与持续修复等真实开发链路，提升幅度较为显著。此外，CyberGym 得分 83.3，与参测的 Claude Fable 5（83.1）得分接近；Terminal-Bench 2.1 得分 87.9，与 Fable 5（88.0）相差 0.1 分。以上均为官方自测口径。
需指出，上述数据主要源自 DeepSeek 自测，截至本报告撰写，尚未被独立机构完整复现。且智能体基准系模型算力、工作流框架、推理预算等多因素共同作用的结果，宜视为能力上限参考，而非默认配置下的实际体验。
4.2 通用能力口径：代码与数学基线
以下数据综合官方说明与开发者测试整理，V4 Pro 与预览版架构一致，其通用能力基线如下：
| 基准 | V4 Pro 预览版 | 说明 |
|---|---|---|
| LiveCodeBench | 93.50 | 深度思考模式，123 个模型中位列第一 |
| Codeforces | 3206 | 对应 Legendary Grandmaster 段位 |
| SWE-Bench Verified | 80.60 | 开源模型第一梯队 |
| IMO-AnswerBench | 89.80 | — |
| GPQA Diamond | 90.10 | — |
| MATH-500 | 96.10 | — |
| SuperCLUE（中文综合） | 70.98 | 排名第一 |
| HLE（人类最后考试） | 48.20 | 数值相对较低 |
| SWE-Bench Pro | 55.40 | 数值相对较低 |
据开发者测试整理，其中 Codeforces 3206 分在 Codeforces 评分体系中对应 Legendary Grandmaster 段位，全球活跃选手中稳定处于该区间的范围不超过 20 人。
解释该数据时需保持审慎。其一，评测多基于历史赛题子集，与实时比赛的策略博弈存在差异；其二，若赛题公开时间早于模型训练数据截止日，存在数据污染可能，DeepSeek 称已作去污染处理，社区仍存异议；其三，竞赛编程能力与工程实践能力并非同一维度，算法推理较强并不直接等同于架构设计、代码维护等工程能力同样突出。
4.3 独立口径：第三方机构评测
据独立研究机构 Artificial Analysis 的智能指数评测：
| 模型 | 智能指数 | HLE（无工具版） |
|---|---|---|
| Claude Fable 5 | 62 | 53.3 |
| Grok 4.6 | 61 | — |
| Kimi K3 | 60 | — |
| GPT-5.6 Terra | 57 | — |
| DeepSeek V4 Pro 0813 | 53 | 42.7 |
| DeepSeek V4 Flash 0731 | 52 | — |
评估注意到，V4 Pro 的智能指数（53）较 V4 Flash（52）高 1 分，而两者参数量差距较大；同时 V4 Pro 在官方智能体基准中表现与 Opus 4.8 相近。不同评测中，V4 Pro 在执行类任务与通用推理任务上呈现不同的表现水平，该差异可能与后训练侧重点有关。
4.4 专项口径：网络安全评测
据比利时安全机构 Aikido Security 的专项测试，V4-Pro-0813 的漏洞发现能力在参测模型中表现突出，与官方 CyberGym 数据方向一致。
五、技术分析：后训练机制
V4 Pro 正式版与预览版架构完全一致，性能变化集中于后训练阶段，此判断来自官方技术说明与开发者对比测试。
DeepSeek 的后训练分两步实施：首先按领域分别进行强化学习，涵盖推理、编码、数学、世界知识与智能体等方向各自独立训练；随后开展跨领域联合后训练与偏好对齐。官方此前对 V4 Flash 的口径为"架构与尺寸未变，仅重做后训练"，V4 Pro 采用相同路径。
具体而言，训练资源未用于扩充知识储备，而主要用于强化复杂任务的完整执行能力，包括工具调度、长链条任务连贯性、终端环境试错重试及错误自修正等。该路径在 V4 Flash 上亦有体现：其 DeepSWE 由预览版 7.3 提升至 54.4，相关智能体基准亦表现良好。
同时需明确后训练的边界：后训练可重塑行为模式，但难以改变知识底座，后者主要取决于预训练规模与训练数据质量。故 V4 Pro 呈现执行能力较强、通用知识相对均衡的差异化特征。前述现象属工程取舍，其优劣取决于具体应用场景。
六、成本分析
据 DeepSeek 官方定价页，截至 2026 年 8 月 16 日，V4 Pro 官方定价如下（每百万 token）：
| 档位 | 缓存命中输入 | 未命中缓存输入 | 输出 |
|---|---|---|---|
| V4 Pro | 0.025 元 | 3 元 | 6 元 |
| V4 Flash | 0.02 元 | 1 元 | 2 元 |
V4 Pro 输出价约为 V4 Flash 的三倍，折合美元约 0.87 元/百万 token 区间，在同期旗舰模型中处于低价行列。
需特别提醒，据官方定价页公告，官方已确认自 2026 年 8 月 17 日零时起执行峰谷定价，高峰时段为北京时间 9 时至 12 时、14 时至 18 时，其余为空闲时段：
| 模型 | 时段 | 缓存命中输入 | 未命中缓存输入 | 输出 |
|---|---|---|---|---|
| V4 Pro | 高峰 | 0.30 元 | 9 元 | 27 元 |
| V4 Pro | 空闲 | 0.15 元 | 4.5 元 | 13.5 元 |
| V4 Flash | 高峰 | 0.10 元 | 3 元 | 9 元 |
| V4 Flash | 空闲 | 0.05 元 | 1.5 元 | 4.5 元 |
依据上述价格，高峰时段输出价由 6 元升至 27 元，涨幅 4.5 倍；缓存命中输入由 0.025 元升至 0.30 元，涨幅约 1100%。即便采用空闲时段，输出价亦为现行价格两倍以上。
![官方定价与调价信息（来源：DeepSeek 定价页）]
需提示，单价指标反映算力消耗，但实际工程成本需结合任务完成质量综合评估。据 Hacker News 开发者社区记录的一次性观测案例（不具代表性，仅作参考）：同一开发任务，V4 Pro 于 Codex 环境耗时约 12 分钟、成本 0.12 美元；Grok 4.6 耗时约 3 分钟、成本 1.41 美元，二者完成情况存在差异。据此，建议以"单次成功完成任务的总成本"作为智能体场景评估成本的重要参考。
七、运行性能与稳定性
各数据点综合自开发者社区实测与媒体报道：
| 指标 | 实测值 |
|---|---|
| 主负载 p50（中位延迟） | 约 4.9 秒 |
| p99（最慢 1% 响应） | 约 12.3 秒 |
| 首 token 延迟（国产算力，知识库场景） | 约 400 毫秒 |
| 生成速度（国产算力） | 约 20 token/秒 |
| 长任务单次运行 | 约 9 小时 15 分、约 70 万 token |
| 单日极端负载 | 4.88 亿 token |
V4 Pro 延迟高于 V4 Flash，与该模型的大激活参数及深度思考模式有关；其 1M 上下文能力可支撑长时间任务运行，具备相应能力。另有开发者验证，两台 256GB 内存的 Mac Studio 可在原生精度下运行 V4 Pro，生成速率约 20 token/秒量级，具备本地运行条件，但流畅度有限。
能力表现方面，据开发者实测，模型在多种复杂任务中有较好表现，如一次性生成覆盖 60 种设计风格的 HTML 卡片集合，或在有限文本输入下构建可交互的 3D 场景。同时，个别简单图形绘制任务在部分测试中的表现存在波动，建议结合具体场景评估。
稳定性方面，据社区部分反馈，同一任务多次运行的结果存在一定波动；独立研究者 Simon Willison 的测试亦提示，reasoning effort 参数在 low / medium / high 之间切换可能影响输出表现，建议用户在使用时留意该参数。另有用户反馈，同一模型在不同工作流框架下体验存在差异，这类差异可能涉及协议层与框架配置等多方面因素。
综合来看，动态路由与采样策略等因素可能对输出产生影响，官方评测结果与默认配置下的实际体验可能存在差异。对关键任务，建议通过多次运行观察结果分布，并借助并行重试、多样种子、多数投票及规则校验等工程手段提升可靠性。如对并发与成本有更高要求，可结合具体场景评估 V4 Flash（其 API 并发上限为 2500，价格更低）。
![开发者实测与成本分析（来源：公开网络）]
八、生态兼容性
据官方 API 文档，V4 Pro 接口设计以兼容性为优先：
- OpenAI 格式 base URL（
https://api.deepseek.com），修改型号即可调用； - Anthropic 格式 base URL（
https://api.deepseek.com/anthropic），构成接入 Claude Code 的基础； - 原生支持 Responses API 及 Codex 接入；
- 模型名向后兼容，调用
deepseek-v4-pro自动对应 0813 版本，既有代码无需改造； - 推理强度分档参数已进入 API 文档，可精细控制思考深度与成本。
据开发者社区与科技媒体整理的接入方案，接入 Codex 可通过官方脚本执行（macOS/Linux 使用安装脚本，Windows 使用对应 PowerShell 脚本）；接入 Anthropic 接口则可使用 Claude Code，并启用 1M 上下文。
DeepSeek Harness 作为智能体运行框架，负责将模型接入文件系统、终端、网页及代码工具，其对标为 Claude Code。据官方口径，DeepSeek 将"除模型本身以外的所有工作"归入 Harness 范畴，并面向全球招募相关研发与产品人员。该布局显示 DeepSeek 正由模型供给方向智能体基础设施延伸。
九、行业竞争态势
V4 Pro 发布正值密集发布期，据媒体综合报道，需结合竞争环境评估：
- Grok 4.6：主打低成本与长时运行智能体，智能指数 61，高于 V4 Pro；
- 智谱 GLM-5.3：于 8 月 14 日发布，后训练口碑良好，综合评测中常以更小参数量优于 V4 Pro；
- Qwen 3.8-Max：总参数量 2.4T，开放权重；
- Kimi K3：在前端及部分智能体场景表现突出，智能指数 60；
- GPT-5.6 Terra：通用旗舰，智能指数 57。
整体而言，V4 Pro 在开源模型中处于较具竞争力的位置。据相关评测，更小体量的模型在部分场景亦有出色表现，提示模型表现受多种因素影响，而非只取决于参数量。
十、结合使用场景需关注的几个方面
综合各口径评测，以下为在选用时可结合场景留意的几个方面：
- 通用推理评测中的表现。据 Artificial Analysis 数据，该模型智能指数 53、HLE 无工具版 42.7，与部分参测模型存在一定差距，具体表现建议结合场景评估。
- 复杂工程修复任务的差异化表现。据官方及第三方数据，SWE-Bench Verified 得分 80.6 处于较高水平，SWE-Bench Pro 得分 55.40，更高难度任务的表现建议结合实测评估。
- 稳定性表现需结合场景评估。据社区反馈，长任务、不同时段及不同工作流下的表现存在一定波动，建议在关键任务中加入重试与校验等冗余设计。
- 超长上下文的精确召回可能随长度变化。据相关测试，上下文较长时细节召回或受影响，建议对重要内容做复核。
- 多步骤复杂任务需结合实测评估。据开发者测试，步骤较多的复杂工程场景（如完整 CI/CD、服务拆分）表现受任务复杂度影响，建议按需验证。
- 生成代码的安全性建议人工把关。个别情况下，生成代码可能需补充边界约束（如请求体过大、并发、注入防范等），建议在使用时加入相应检查。
另外，官方自测与默认配置下的体验可能存在差异，建议以自有场景实测为准；鉴于竞品动态较多，相关结论具有一定时效性。
十一、综合评估与建议
评估结论
依上述数据，V4 Pro 在多个维度表现突出：其一，据官方自测，智能体相关基准表现与主流旗舰模型相近；其二，代码与竞赛编程测试成绩亮眼（LiveCodeBench 93.5、Codeforces 3206、SWE-Bench Verified 80.6）；其三，在同期旗舰模型中具有一定性价比优势，现价输出 6 元/百万 token；其四，生态接入友好，兼容多种主流接口并支持 1M 上下文与 384K 输出，开源协议为 MIT；其五，安全能力获第三方专项评测认可。
同时，据相关评测，该模型在通用推理、复杂工程任务等维度表现不一，选用时还需关注次日生效的峰谷调价（高峰输出 27 元/百万 token）对预算的影响。
综合评估，V4 Pro 在执行与代码相关任务上表现突出，其最终效果与使用方式、实际场景密切相关，建议结合需求与自有场景的实测结果评估是否适用。
适用对象建议
- 适用于深度使用智能体及代码工具的团队，此类用户对预算具备弹性，追求极限任务完成率，并具备重试、并行、校验等工程冗余能力，可充分受益于模型攻坚价值。
- 建议输出确定性要求极高（金融交易、自动化流程）及以常规问答为主的团队审慎采用。对此类需求，价格更低、并发更高、稳定性更好的 V4 Flash 更为适宜。
需重申，榜单分数仅为能力上限参考。实际适用性取决于具体业务账目及模型可靠完成的任务量。建议在选型前，以自有任务、固定工作流框架与固定推理强度进行多次实测，综合比较一次正确率、平均耗时、人工干预次数与最终成本。
十二、结论
V4 Pro 正式版以低调试上线方式发布，于短时间内引发行业广泛讨论。其核心意义并非单项排名，而在于验证了一种技术路径：在架构不变的前提下，通过高质量后训练实现模型执行能力的代际提升。同时，该模型亦清晰展示了其能力边界与应用代价。
评测数据会随时间更新，价格政策将调整，竞品将持续演进。评估过程所秉持的原则——依据可溯源信源、采用可靠评测方法、以真实任务验证——具有长期适用性。
建议计划采用 V4 Pro 的组织，勿仅依据榜单排名或单价作出决策，而应通过多次真实任务实测，比较其在最终完成效果与总体成本方面的表现后再行取舍。
附录：数据来源
官方来源
- DeepSeek API 官方"模型 & 价格"页（现价及 2026-08-17 新价）：api-docs.deepseek.com/zh-cn/quick…
- DeepSeek API 官方文档：api-docs.deepseek.com/
- DeepSeek 官方更新日志：api-docs.deepseek.com/updates/
- DeepSWE 基准论文：arxiv.org/abs/2607.07…
- Codex 一键接入官方脚本：cdn.deepseek.com/api-docs/co…
权威媒体及科技媒体
- 第一财经报道：m.toutiao.com/group/76733…
- 51CTO 报道：www.51cto.com/article/852…
- 网易科技报道：c.m.163.com/news/a/L472…
- 环球网报道（国家超算上线）：m.toutiao.com/group/76741…
独立机构及研究者
- Artificial Analysis（独立智能指数）：m.toutiao.com/group/76741… ；m.toutiao.com/group/76741…
- Aikido Security（网络安全能力测试）：m.toutiao.com/group/76737…
- Simon Willison：simonwillison.net/2026/Aug/12…
- Hacker News 讨论帖：news.ycombinator.com/item?id=492…
- CSDN（Codeforces 3206 分实测）：blog.csdn.net/caizikid/ar…
口径说明
- 官方智能体跑分（Terminal-Bench、CyberGym、DeepSWE 等）主要源自 DeepSeek 自测，截至本报告撰写尚未被独立机构完整复现；智能体基准系模型、工作流框架、推理预算共同作用的结果，宜视为能力上限参考，而非默认体验。
- 总参数量存在"1.6T"与"862B"两种口径，本报告采用主流口径 1.6T/49B；差异源于统计范围是否含非激活权重及词嵌入层，并非指代不同模型。
- 部分竞品对照分（如 Claude Opus 4.7 的 SWE-Bench）不同来源略有出入，本报告采用已标注来源的数字。
- 文中图片均来自公开网络；如外链图床不可达，请以正文表格数据为准。
- 本报告成稿于 2026 年 8 月 16 日，DeepSeek 新价格自 2026 年 8 月 17 日生效，请以官方定价页最新内容为准。
