DeepSeek V4 Pro 正式版来了：这次，大鲸鱼盯上了 SOTA

终于V4-Pro的正式版来了。相比 4 月份那个 版本，这一次的 终于把 1.6T 大模型的 Agent 上限真正跑出来了。

官方 API 文档已经确认，-v4-pro 当前实际指向 -V4-Pro-0813，调用方式不变。仍然是 1M 上下文、384K 最大输出，同时支持 / Non-、Tool Calls、JSON、 API 和 API。

而且目前调用的价格还是不变，暂时维持原来的价格，百万输入（缓存命中）0.025元，百万输出 6元，简直是太残暴了~

V4 Flash 没有冲着 SOTA 去，但反而更恐怖——它几乎把 API 调用成本打成了电费，直接掀起了一轮低价风暴。

为什么大家都说 是行业“斩杀线”？因为它就像拿着除草机在后面追，同行只能拼命往前跑：跑输了，能力不如 ，价格还更贵，基本就寄了；跑赢了呢？也没什么奖励，因为 下一句还是——那你的价格呢？

这就是 性价比打法最恐怖的地方：它不一定非要做第一，但能逼着所有人不断降价、不断提能力。从能力花费曲线上看，一大波不在绿色区域的都可能被斩杀掉。

模型能力大幅提升

4 月 版其实一直有个很奇怪的问题：模型纸面规模巨大——1.6T 总参数、每 Token 激活约 49B——但真正放进 Agent 和长任务 里，并没有和 Flash 拉开想象中的巨大差距。 当时自己也说过，Flash 在简单 Agent 任务上和 Pro 基本旗鼓相当，只在高难度任务上存在差距。

0813 最大的变化，就是这个差距终于出来了。

其中最夸张的是 ，12.8 → 62.7； Bench 2.1 也直接涨了 15.8 个点。如果这些成绩能被后续独立评测基本复现，那么它已经不是“小版本优化”，而是一次相当成功的 Agent 后训练。

更关键的是，它开始进入真正的旗舰模型区间。按照 的横向评测， Bench 2.1 的 87.9 已经非常接近 Kimi K3 的 88.3；HLE + Tools 达到 60.0，和 Fable 5 的 63.0 差距也不算大； 甚至做到 83.3。

在官方放出来的榜单中，它的能力已经喝Opus-4.8相当了，而且逐步逼近Fable 5。在评测中，取得的分数在53，超越了之前国产的GLM-5.2模型，落后于Kimi-K3模型。

可以看到，更恐怖的其实还是价格

现在官方价格仍然是：缓存命中 $0. / M、缓存未命中 $0.435 / M、输出 $0.87 / M 。

这个价格配上 87.9 的 Bench，就有点离谱了。

V4 Pro 0813 开始变成：

“能力已经离最强闭源模型不远，结果价格还差一个数量级甚至几十倍。”

这会让所谓“最强模型”的竞争逻辑继续发生变化。企业跑 Agent 并不是只跑一道 ，而是可能一个任务调用几十次、几百次模型，读几十万 Token 的代码，再产生大量工具调用。在这种场景下，便宜 20%、30%意义不大，便宜 10～50 倍意义就完全不同了。

而 还有极低的 cache hit 价格，对 Agent 这种反复读取同一个代码仓库、 和历史 的工作负载尤其有优势。

不过这个优势可能不会维持太久： 已经在官方定价页明确写了，近期计划整体上调 API 价格，而且预计涨幅较大。

但这里有一个很值得注意的地方。

V4 Flash 的总参数量是 284B，每 Token 激活约 13B；V4 Pro 则直接扩大到 1.6T 总参数、49B 激活参数。也就是说，从 Flash 到 Pro，总参数规模扩大了约 5.6 倍，单次推理实际激活的参数量也扩大了约 3.8 倍。

但在 上，成绩只从 54.4 提升到 62.7，绝对提升 8.3 个百分点，相对提升约 15.3%。

这其实说明了一个越来越明显的趋势：后训练确实还能给模型带来非常大的能力增益，但单纯继续扩大参数规模，边际收益已经没有过去那么显著了。

这里可能有两个原因。

第一种可能，是高质量训练数据开始不够用了。模型规模扩得很快，但真正能够把这些新增参数“喂饱”的高质量代码数据、Agent 轨迹、复杂环境交互数据，并没有同步增长。如果数据质量和训练强度没有跟上，参数变大之后，自然很难线性转化成能力提升。当然，这目前更多还是一种猜测。

第二种可能，则是 本身已经越来越难准确反映旗舰模型之间的真实差距。

即使 已经算是目前评价很高、也相对接近真实 Agent 场景的 ，它本质上依然是在一套固定任务、固定环境和固定评分规则下衡量模型。到了今天这个级别，模型之间真正拉开差距的地方，可能已经不是“能不能把这道题做出来”，而是面对一个几十万行代码的真实项目时，能不能连续工作几个小时、正确拆解任务、调用工具、发现隐藏问题，并在中途出错之后自己恢复。

这些能力，很难被一个最终的单一分数完整表达出来。

所以 Flash 54.4、Pro 62.7，并不能简单理解成 Pro 只比 Flash 强 15%。它更可能说明：现有 对顶级模型能力的测量，正在逐渐接近自己的上限。

未来真正决定模型差距的，可能不再只是参数量，也不再只是某一个 分数，而是模型在超长任务、复杂环境、Agent 和真实生产场景中的持续完成能力。

实际测试体验

Q1：六边形中弹珠碰撞

请生成一个完整的HTML文件(将HTML、 CSS和均合并成一个文件)来模拟一个蓝色小球在顺时针缓慢旋转的正六边形内形成一个文件）来模拟一个彩色小球在针旋转的正字形内部弹跳的动画，要求如下: - 小球应受重力影响，并在碰到边界时发生反弹-小球与多边形之间的碰撞检测要真实-所有代码应包含在文件内，不要引用外部库或文件-动画要平滑，页面布局适配

具体的动画效果：整体效果不错，科技感、动态感都有，视觉上很像“模型能力在不断探索边界”。

Q2: 生成一个宇航员再月球上骑马的动态svg

这一次生成的效果感觉就一般了，可能还需要等官方的进行适配效果才会更好。

Q3：用 Three.js 实现一款“我的世界风格”的3D飞机大战。

这是我用最新的DS-V4-Pro模型做出来的效果

这是用的是之前的-V4 预览版模型生成的效果

对比来看，专家模式优点主要体现在“视觉完成度更高、风格更统一、观感更舒服”这几个方面。

首先，上面的那个图的整体美术风格更统一，更接近“我的世界”那种低模像素沙盒感。地面网格、树木、云朵、飞机、敌机这些元素都保持了同一套方块化语言，画面会显得更协调。相比之下，下面的图虽然元素更多，但地面、草、敌机、UI之间的风格整合感没那么强，第一眼会稍微有点杂。

整体来看，这次生成效果是比较好的，已经不只是“把需求实现出来”，而是有了比较完整的产品雏形。

主要体现在产品感很强。从标题“微旅程”、副标题“每天一张世界小众角落，一段治愈故事”，到日期切换、卡片式内容区、底部轻文艺说明，整个页面已经有明确的定位，不像一个简单的 demo，而更像一个可以继续打磨上线的内容型网站首页。主题和表达是统一的，这一点很好。

视觉风格匹配题意。这个需求本质上是“轻旅行 + 小众角落 + 治愈叙事”，而当前生成出来的是偏米白、浅棕、低饱和的配色，整体很安静、温柔，和“微旅程”这个名字是契合的。

Q5：写一个包含风、雨、晴、雪四种天气的 HTML 动画卡片，深色设计，要有动效和按钮切换。

写在最后

V4 Flash 更像“斩杀线”：能力够强，价格又低，逼着同行一边提能力、一边降价。

但 V4 Pro 明显是冲着旗舰模型去的。1.6T 参数配合更强的 Agent 后训练，已经开始逼近最前面那一档模型。

实际测试下来，它在网页、Three.js、复杂交互这些任务上的完成度也明显更高，不过动态 SVG 这类任务依然不算稳定。说明现在真正决定体验的，已经不只是模型本身，而是 模型 + + 工具环境。

所以我现在更期待的，反而是 后续自己的 。

Flash 负责把价格打下来，Pro 则开始盯着 SOTA。

那个 2025 年春节的 ，好像又回来了。