作者：苗正，编辑：王靖，原文标题：《V4Pro正式版“V5”，但鹈鹕测试翻车了》，题图来自：AI生成
8月12日深夜，DeepSeek官网的API文档页面悄然完成了一次更新。Pro模型的版本号更换成了DeepSeek-V4-Pro-0813。
与此同时，根据第一财经报道，DeepSeek官方群放出了一组评分数据，表格中显示DeepSeek V4 Pro的性能远远超过了预览版，甚至在Terminal Bench 2.1这个Agent领域影响极大的测试集上，性能比肩当下最强的模型Claude Fable 5。
另一方面，在DeepSWE测试集上，预览版仅得12.8分，基本属于“不会做”的水平；正式版直接飙到62.7分，涨幅接近5倍。
这个测试集是衡量代码Agent能力的核心基准。同样翻倍的还有DSBench-Hard，从31.1冲到67.2；DSBench-FullStack从41.8提升到71.1。
如此这般的性能提升，将其称之为DeepSeek V5 Pro都不为过。
硬件规格上，V4 Pro延续了MoE架构设计，总参数规模1.6万亿，每次推理激活约490亿参数。接口侧提供100万 token上下文和最高38.4万 Token 输出，这两个数字对普通聊天可能意义不大，但对长任务Agent却是硬刚需。
尤其是大型代码库、长时间运行的日志以及连续工具调用，都会快速吃掉上下文。窗口不够大，Agent就只能不断压缩记忆，压着压着，前面做过什么也忘了。
调用方式保持不变，模型名仍然是deepseek-v4-pro，老用户的代码一行不用改，后端就自动切换到了新版本。
价格方面，0813版每百万token缓存未命中输入3元、输出6元，和预览版时期一致，并没有随模型转正而同步上调。
而就在不久前，DeepSeek官方曾表示价格将要上涨。
一、DeepSeek V4引发全球降价
自DeepSeek V4发布以后行业内有个怪现象，几乎所有大厂都在降价。但大背景却是只要跟AI相关的，一定都在涨价。最开始是GPU、内存，现在连硬盘、电，甚至陶瓷都涨了。
就好像西红柿涨价、鸡蛋涨价、糖涨价，结果西红柿炒鸡蛋反而比以前更便宜了。
2025年的时候，DeepSeek R1虽然引发了DeepSeek时刻，可当时由于行业重点在于输出内容的质量，所以OpenAI、Anthropic还能用“我们更聪明”来维持溢价。
但是现在今年7月31日V4 Flash正式版上线以后，行业叙事改成了“每任务/单位智能的价格”，DeepSeek V4 Flash正式版凭借“能力够用+价格便宜两个数量级”形成了一道独有的斩杀线。
根据Artificial Analysis的测试，在完成相同水平任务的前提下，DeepSeek V4 Flash的价格低于市面上70%的模型，而那些处于这70%分水岭内的模型，称之为被DeepSeek“斩杀”。
落在斩杀线上的竞品，只剩两条出路，要不然主动大幅下调定价，或者干脆放弃普惠开发者市场，收缩到预算充足的高端企业客户。
于是各家厂商的处境变得很微妙。短期内没办法提高智能水平，又舍不得开发者市场，降价就成了唯一能立刻执行的防御手段。
OpenAI是最典型的例子。GPT-5.6 Luna 7月9日才上线，7月30日就宣布降价80%，输入价从每百万token 1美元砍到0.2美元，输出价从6美元砍到1.2美元。一款刚发布的新旗舰，上市不到一个月就打两折，这也是无可奈何的事情。
OpenAI在降价当天同步发了一篇技术博客，称GPT-5.6 Sol自己重写并优化了部分生产推理内核，把端到端模型服务成本压低了约20%，token生成效率提升了15%以上。
这就使得它能把省下来的钱，直接变成给用户的降价补贴。换句话说，OpenAI这波降价，是被自己模型写代码省下的成本托起来的。
不过成本降低20%和提升15%生成效率这两个数字，似乎跟降价80%匹配不上。
根据OpenAI的投资人披露，该企业单季营收57亿美元，同比增长约3倍；经营性亏损93亿美元，当期现金消耗（实际烧掉的现金）37亿美元，相当于每赚1美元收入就要烧掉约0.65美元现金。当季研发支出高达86亿美元，整体毛利率仅39%。
并且市场预测，OpenAI在2026年的全年经营性亏损约为140亿美元。
因此，无论如何OpenAI发布的技术报告内容如何，如果没这条斩杀线，这笔效率红利大概率会先进利润表，而不是变成用户账单上的折扣。
Anthropic也有相似的反应。Claude Opus 5发布后，其定价改为了5美元/25美元，正好是Fable 5的半价。Sonnet 5首发优惠价2美元/10美元，比标准定价低了三分之一，优惠期一路延到8月31日。
随着DeepSeek斩杀线的发酵，Anthropic在8月10日宣布，将Sonnet 5的优惠价格变为永久价格，再也不会恢复成为原价格。
谷歌7月21日一口气发三款 Gemini Flash 轻量模型，主力款3.6 Flash当天宣布输出价永久下调17%。
国内更是放血式促销，8月11日，智谱把GLM Coding Plan全员额度重置回满，再叠1.5倍限时加成；火山引擎给 GLM-5.2开出四倍折扣系数，49元的套餐能换到五千多万token；OpenRouter上GLM-5.2的三家供应商互相压价，从60%打到80%，再到95%。
二、反直觉，斩杀线其实会越来越低
逃避斩杀线的路有两条：一条往下走，一条往上走。
往下走是防御，是承认自己在这个区间和DeepSeek没有本质区别，只能拼价格。往上走是进攻，是只要能力足够强、DeepSeek够不到，就根本不在斩杀线的杀伤范围内。
在DeepSeek的斩杀线之上可以继续收溢价，因此，诸如GPT-5.6 Sol、Kimi K3、Claude Fable 5，这些真正站在金字塔尖的旗舰模型，一个都没降价。
以Kimi K3为例，于2026年7月16日正式上线，本身就发布在DeepSeek V4 Flash之后，其 API 定价为：国际版输入3美元/百万token、输出15美元/百万token；国内版输入20元/百万token、输出100元/百万token。
对比上一代旗舰K2.6，K3国内版的输入价格上涨了208%，输出价格上涨270%
但是有个事得提前说明白，如今已经2026年过半了。DeepSeek V4 Flash的总参数量为284B，这在当下其实是一个非常轻量的模型，它的定位是“高效率地完成大多数任务”。
Artificial Analysis的智能指数里，V4 Flash只得了50分，明显低于 Kimi K3、GPT-5.6和Claude Fable 5。
这就使得在复杂推理、长链路任务、多步规划、需要深度领域知识的判断，这些超级硬核的任务上，DeepSeek V4 Flash的完成率和可靠性，远不如头部模型。
斩杀线扫过的是“够用就好”的那片海，在“必须万无一失”的那片土地上，DeepSeek暂时还过不去。
不过这个斩杀线其实也维持不了多久，因为“推测解码”越来越成为了主流。这也是为什么，所有大厂都要研发旗舰模型的同时，开发一款极其便宜的小模型。
所谓推测解码，是指2022年时，谷歌Research团队的亚尼夫·利维坦（Yaniv Leviathan）、马坦·卡尔曼（Matan Kalman）和约西·马蒂亚斯（Yossi Matias）曾在论文《通过推测解码实现Transformer的快速推理》（Fast Inference from Transformers via Speculative Decoding）中提出，用一个小模型快速出草稿，大模型只负责并行验证和修正，草稿命中率一旦稳定在80%以上，旗舰模型的有效推理成本就能降到原来的1/3到1/5。
但以前这项技术不太能降低成本，原因在于以前给旗舰模型配草稿，用的是7B、13B的通用超小模型，命中率上不去，所以价格就打不下来。
可推测解码仍然是业内公认最可行的方向，这才使得大家都备有一款小模型。
现在来看，推测解码逐渐走向成熟。2026年6月DeepSeek发布了DSpark推测解码模块，并部署到V4 Flash和V4 Pro的线上流量，在相同吞吐下单用户生成速度提升了60%到85%，这也直接造成了DeepSeek的大幅降价。
随着DSpark的成功，势必会有越来越多的厂商部署推测解码，以实现更快更便宜的效果。
除了推测解码外，还有一个技术也可能会降低模型成本，那就是静态知识剥离。
这个技术其实起源更早，它是Meta AI的帕特里克·刘易斯（Patrick Lewis）等人在2020年论文《面向知识密集型NLP任务的检索增强生成》（Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks）中提出的。
简单来讲，它就是让模型在思考的过程中，把事实性知识从参数中拆出去，只靠外部检索补充。这样整个思考过程就会更快，成本因此更低，并且由于外部引入知识，还能让输出结果幻觉更少。
不过真正把这个技术发扬光大的依然是DeepSeek。2026年1月，DeepSeek联合北大发表论文《通过可扩展查找实现条件记忆》（Conditional Memory via Scalable Lookup）。
论文的观点是，语言建模本质上包含两类完全不同的任务，一类是需要深度动态计算的组合推理，另一类是检索静态知识，但Transformer把这两件事混在一起做了。
于是论文就依照静态知识剥离的逻辑提出了一个叫做Engram的技术。
打个比方，在考试的时候，让大模型背下所有公式、历史年份、名人身份、地理常识。然而这就导致大模型只能用一部分的脑容量来解题。背得越多，能用来思考的脑容量就越少。
Engram干的事就是把闭卷考试改成开卷考试。它在模型中间插了一本“速查手册”，遇到 “戴安娜王妃是谁”、“张仲景是什么朝代的”这种事实性问题，不用现场一层层推导，直接翻手册，一秒查到。
这样，模型的脑容量就可以全部用来做真正需要动脑筋的事，比如解数学题、写代码、做逻辑推理。
Engram一旦成熟，也将大幅减少模型成本。
三、DeepSeek V4 Pro真的发布了吗？
随着DeepSeek V4 Pro的更新，网上最大的声音便是质疑。因为这次更新和DeepSeek V4 Flash正式版的更新方式截然不同，V4 Flash正式版有完整的官方更新日志，明确标题“DeepSeek-V4-Flash更新”，列出了9项基准测试的具体分数。最关键的是，DeepSeek会注明“模型结构、尺寸和Preview保持一致，仅重新进行了后训练”这些细节。
可截止发稿，DeepSeek V4 Pro正式版相关的发布痕迹也只有三处：官网的“模型 & 价格”页面、官网首页出现一句简短的滚动公告、一张跑分表。
甚至就连官方的更新日志，也停留在DeepSeek V4 Flash正式版上。
除了这些迹象外，权威评测机构Artificial Analysis上线了V4 Pro 0813（最大推理强度）的独立评测页，综合智能指数为53 分。相比预览版的45分确有提升，和GLM-5.2齐平。
但问题在于，53分这个档位和Fable 5差了很远，无法匹配跑分表中的“接近甚至超过Fable 5”。
作为参照，同一天发布的Grok 4.6还拿到了61分。
不只是Artificial Analysis，在比较模型数学能力的Proof Bench上，作为靠数学能力而声名鹊起的DeepSeek，其V4 Pro正式版甚至连前10都没有挤进去。
更有一些个人评测者对V4 Pro正式版进行了深度的测试，均表示实测效果皆不尽人意。
AI博主牙医就发文表示“刚发的DeepSeek-V4-Pro-0813好像的确有问题。reasoning_effort=max的时候模型在长程 AgenticCoding 任务下更倾向于早停。”
他进一步表示，“我这个测试总计50轮，让模型不断优化代码, 结果他在3次测试中，2次都在42-43轮左右的情况下停止了。并未用完全部机会。而且目前成绩来看，甚至没打过 GLM-5.1 (仅我这一个case, 我不对其它case负责)。”
以最常见的“鹈鹕测试”为例，提示词为“Generate an animated looping SVG of a pelican riding a bicycle. Wheels spin, pedals move, pelican’s legs pedal correctly, smooth infinite loop, no javascript, use native SVG animateTransform only.”（生成一个循环动画SVG：鹈鹕骑自行车。轮子旋转、踏板转动、鹈鹕的腿正确踩踏板，平滑无限循环，不要JS，只用SVG原生animateTransform动画。）
我将相同的提示词分别发给DeepSeek V4 Pro正式版和Flash正式版，结果发现，反而Flash做的效果远远超过了V4 Pro，无论是鹈鹕的动作还是背景中的云彩，V4 Flash正式版均比Pro正式版更好。
V4 Pro正式版
V4 Flash正式版
0813这个版本号本身可能只是一个“占位符”。
换句话说，DeepSeek可能并没有直接上线新模型，或者是有意去压制新模型的能力，先把坑占上了，等后续做好准备再上线，这样就不用担心一瞬间超高并发挤爆服务器了。
此前，DeepSeek Harness负责人崔添翼曾透露，DeepSeek V4 Pro的正式版将和DeepSeek Harness同时上线。而8月13日这天，是DeepSeek Harness的最后一次测试。
在DeepSeek Harness内测群中就有这样一条消息，0813版本计划发布DeepSeek Harness的公测版。
目前看来该Harness产品还未发布，并且DeepSeek V4 Flash之前的测试中，就有很多成绩是DeepSeek Harness上跑出来的。那么结合官方群里的跑分表，尤其是在Terminal Bench这样的测试集上，使用的可能就是传说中的DeepSeek Harness。
模型的斩杀线会下降，但DeepSeek Harness可能会带来新的斩杀线。
2026年5月，DeepSeek Harness内部立项，独立组建专项核心团队，由崔添翼负责。8月2日，崔添翼面向全球公开征集Harness内测用户，优先筛选具备Agent Harness开源项目经验的开发者。8月11日，“DeepSeek Harness团队”微信公众号完成注册，认证主体是深度求索北京分公司。
在V4 Flash正式版的API文档中有这么一段内容，对于公开基准测试中的Code Agent任务，正式版用的是DeepSeek Harness极简模式作为框架进行测试。
也就是说，V4 Flash能拿下Terminal Bench 2.1的82.7分，严格来说是“DeepSeek模型+DeepSeek Harness测试框架”的组合成绩，不是纯模型裸分。
V4 Flash预览版在Terminal Bench 2.1上是61.8分，同期V4 Pro预览版是72.1分。显然，DeepSeek Harness在Agent任务上，给DeepSeek模型带来了质的飞跃。
82.7分其实是一个非常高的分数。Terminal Bench 2.1目前的SOTA是GPT-5.6 Sol的88.8分，Kimi K3是88.3分，Claude Opus 5是84.3分，所有参评模型的平均分是77.3分。
正如前文提到的，V4 Flash是一个轻量模型，和Fable 5、GPT-5.6 Sol对比的应该是旗舰模型V4 Pro。那么可想而知，一旦DeepSeek Harness和V4 Pro正式版上线，势必会迎来一个新的斩杀档位。
更值得注意的是，国内玩家已经全部挤进了这条赛道。
除了DeepSeek外，智谱的ZCode也是一款Coding Harness，只不过它针对的是智谱自家的GLM，8月11日一口气上线了Goal、Subagents、Remote Control、闲时任务四大功能。
在智谱自研的Code Bench中，在复杂跨文件任务上，GLM-5.2配合ZCode，要比GLM-5.2配合Claude Code，整体通过率高出2.39 %，缓存命中率超过98%，有效 token 量提升约30%。
西红柿在涨价、鸡蛋在涨价、糖在涨价，结果西红柿炒鸡蛋反而便宜了。可是我们都清楚，这个逻辑是有问题的，至于它会持续多久，没人说得明白。