DeepSeek V4 Flash正式版评测：跑分逼近Opus 4.8，价格便宜近百倍，Pro版还要等多久？

2026 年 7 月 31 日，DeepSeek 将 V4-Flash 升级为官方版 0731：参数规模不变、仅重训后训练，Agent 跑分反超更大的 V4-Pro 预览版，价格仅为 Claude Opus 4.8 的几十分之一。旗舰 V4-Pro 官方版与自研 Agent 框架 Harness 仍处于「即将发布」状态。本文梳理完整时间线、定价表、CSA+HCA 架构拆解、Artificial Analysis 横向对比、Harness 争议与「斩杀线」行业背景，并给出五步 API 迁移清单与 Agent 宿主机决策矩阵。

1. 三类决策痛点：跑分、价格与 Harness 依赖

1. 把 Terminal Bench 2.0 跑分当作通用 Agent 能力：V4-Flash-0731 公布的 Agent 类跑分（Terminal Bench 2.0 拿到 82.7 分，反超 V4-Pro 预览版的 67.9 分）全部基于 DeepSeek 自研且尚未公开发布的 Harness「极简模式」测得。官方 changelog 主动提示「跑分对 harness 的选择非常敏感」——在 Claude Code、Cursor 等第三方框架独立复现之前，不应把厂商自报数字直接套用到你的生产 Agent 栈。
2. 只看价格不看缓存命中率与高峰加价：V4-Flash 输入价 $0.14（缓存未命中）/ $0.0028（命中）每百万 Token，相对 Claude Opus 4.8 便宜近百倍；但海外开发者社区反馈正式版存在输入缓存命中率偏低、安全分类器偶发超时等问题。DeepSeek 还预告未来将对 API 启用「高峰时段 2 倍加价」（北京时间 9–12 点、14–18 点），截至发稿未公布具体生效日期——批量 Agent 任务的真实成本可能高于表价。
3. 等 V4-Pro 官方版而错过 Flash 窗口期：V4-Pro 官方版仍是「尽快发布」，媒体援引未署名消息源称 GA 窗口可能在 8 月 10–20 日之间，但未经 DeepSeek 官方证实。若你的场景是批量调用、Agent 流水线或对绝对智能上限不敏感，当前 V4-Flash-0731 已在 Agent 跑分上反超 V4-Pro 预览版，且仅限 API 公测（App 和网页端暂未同步）——拖延迁移等于继续支付更高单价或承担旧接口停用风险。

2. 时间线：从 4 月预览到 7 月「官方版」

DeepSeek 这次的版本迭代并不是一次性事件，而是拉了三个多月的连续动作，中间每一步都被国内外社区放大讨论：

• 2026 年 4 月 24 日：DeepSeek-V4 预览版首次发布并开源，包含 V4-Pro（1.6T 总参数/49B 激活）和 V4-Flash（284B 总参数/13B 激活）两个版本，均支持 100 万 token 上下文，采用 MIT 协议。
• 2026 年 7 月 24 日：旧接口模型名 deepseek-chat 与 deepseek-reasoner 正式停用，全部流量切换到 V4 系列命名。
• 2026 年 7 月 27 日：月之暗面（Moonshot AI）的 Kimi K3（2.8T 总参数）开源权重上线 Hugging Face，是当时体量最大的开源权重发布之一，给 DeepSeek 制造了不小的竞争压力。
• 2026 年 7 月 31 日：DeepSeek-V4-Flash-0731 正式版进入 API 公测，开源权重同步上线 Hugging Face，官方 changelog 首次点名自研 Agent 框架「Harness」，称即将随 V4 正式版一起发布。这次公测仅限 API，App 和网页端暂未同步更新。
• 截至 2026 年 8 月 5 日（发稿时）：V4-Pro 官方版仍是「尽快发布」，没有官方确认日期。国内有媒体援引未署名消息源称内部测试已在 7 月 28 日那周启动，正式 GA 窗口可能在 8 月 10 日至 20 日之间——这一时间点目前未经 DeepSeek 官方证实，仅供参考。

3. 核心数据一览：定价与参数对比表

说明：以上定价均为 DeepSeek、Moonshot、阿里等官方公开数据，属于「厂商自报」信息；DeepSeek 已预告未来将对 API 启用「高峰时段 2 倍加价」（北京时间 9–12 点、14–18 点），但截至发稿未公布具体生效日期。

4. 深度拆解：后训练、CSA+HCA 架构与 Harness

架构没有变，变的是后训练

这次最容易被忽略、但其实最关键的一点是：V4-Flash-0731 在参数规模、模型结构上和 4 月预览版完全相同，DeepSeek 官方明确说明性能提升「完全来自重新进行的后训练」，而非扩大模型规模。284B 总参数、13B 激活参数的 Flash 版本，在多项 Agent 基准上反而超过了参数量是自己好几倍的 V4-Pro 预览版——2026 年下半年的大模型竞争，后训练数据质量和方法的重要性正在逼近甚至超过单纯堆参数。

混合注意力机制：CSA+HCA、mHC、Muon 优化器

根据 DeepSeek 发布的技术报告（论文题为《DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence》），V4 系列在架构上做了三处关键改动：

1. 混合注意力架构：结合压缩稀疏注意力（CSA）与高度压缩注意力（HCA），官方对外统一称为「DSA 稀疏注意力」，核心目的是在长上下文场景下降低计算和显存开销；
2. 流形约束超连接（mHC）：对传统残差连接结构做了改进；
3. Muon 优化器：替换传统优化器，用于提升训练收敛速度和稳定性。

三项改动叠加的效果是：在 100 万 token 上下文场景下，V4-Pro 相比前代 V3.2，单 token 推理所需 FLOPs 仅为 27%，KV Cache 占用仅为 10%。这是 DeepSeek 官方公布的技术指标，尚未看到独立第三方机构的复现验证，但如果基本属实，意味着「百万级上下文」第一次有可能以接近主流上下文长度的成本大规模商用，而不只是一个营销参数。

自研 Agent 框架 Harness 首次亮相

7 月 31 日的 changelog 里第一次正式出现「DeepSeek Harness」这个名字——这是 DeepSeek 自研的 Agent 执行框架，用于让模型读写文件、调用工具、执行命令、完成端到端的工程任务，对标的产品是 Claude Code。在此之前，DeepSeek 的模型主要依赖 Claude Code、OpenCode 等第三方 Agent 工具来完成类似任务。官方公开的 Agent 跑分（Terminal Bench 2.0、Toolathlon 等）全部是用 Harness 的「极简模式」（minimal mode）测出来的，DeepSeek 在 changelog 里也主动提示：「跑分对 harness（执行框架）的选择非常敏感，不能简单等同于模型本身能力的提升」——这句话本身就值得读者留意。

5. 横向对比：Artificial Analysis 六边形混战

DeepSeek-V4-Flash 的这次更新，恰好卡在中国大模型开源阵营最密集的窗口期。把几家近期动作放在一起看，格局会更清楚：

数据来源标注：Intelligence Index 与单任务成本数据引自研究机构 Artificial Analysis（第三方独立评测），经财经媒体（旺得富理财网等）转引；DeepSeek 官方跑分（Terminal Bench 2.0、SWE Verified 等）为厂商自报，两组数据的评测方法和权重不完全一致，不能直接相加比较，本文分开列出以示区分。

可以看到一个有意思的反差：在 Artificial Analysis 这个第三方综合指数上，V4-Flash 的「智能分」其实不是最高的，甚至落后于 Kimi K3 和 GLM-5.2；但它的单任务成本只有 Kimi K3 的约 1/29、GPT-5.6 Sol 的约 1/62、Claude Fable 5 的约 1/105。DeepSeek 这次打的不是「跑分第一」，而是「够用的智能 + 极致的价格」——V4-Flash 预览版曾在 OpenRouter 上连续七周稳坐调用量第一，目标用户是需要大规模调用、对绝对智能上限没那么敏感的 Agent 和批量任务场景。

6. 争议点：跑分好看，不代表没有水分

• 跑分方法依赖 Harness，官方自己都在提醒别只看数字：V4-Flash-0731 公布的 Agent 类跑分全部基于 DeepSeek 自研且尚未公开发布的 Harness 极简模式测得，参数设置为 max 档位、top_p=0.95、temperature=1.0。在独立社区（如 Hugging Face 博主、海外开发者论坛）复现之前，这组数字应被视为「厂商自报＋特定框架」结果，而非可以直接横向套用到其他 Agent 框架（如 Claude Code、Cursor）上的通用能力。
• 海外开发者反馈了具体的可用性问题：据 21 世纪经济报道援引的海外开发者社区反馈，V4-Flash 正式版存在输入缓存命中率偏低、安全分类器偶发超时等问题，这些细节反映出算力和参数储备仍是限制模型能力上限的现实瓶颈，和「跑分暴涨」的营销叙事形成一定反差。
• V4-Pro 官方版和 Harness 的具体上线时间目前未经证实：多家中文媒体（如快科技援引的消息源）报道「内部测试」和「8 月 10–20 日 GA」等具体窗口，但这些均为未署名消息源或社区传言，DeepSeek 官方 changelog 的原话只是「将尽快发布」，没有给出确切日期，读者应以此为准，不要把猜测当成官方计划。
• 企业融资与 IPO 传闻同样需要谨慎对待：多家媒体报道 DeepSeek 近期完成一轮约 74 亿美元（约合人民币 500 亿元）融资，投资方包括腾讯、网易，估值约 487 亿美元；也有报道称公司正在筹备新一轮约 710 亿美元估值的融资并为 IPO 做准备。这些信息目前主要来自财经媒体的「据报道」「消息人士称」，尚无 DeepSeek 官方或监管备案文件的直接确认，本文作为背景信息呈现，但不作为已核实事实处理。

7. 影响与背景：梁白开、斩杀线与芯片股

在 V4 正式版发布之前，因为 Pro 版本迟迟没有兑现此前「7 月中旬全量上线」的预期，中文 AI 社区一度把 DeepSeek 创始人梁文锋戏称为「梁白开」（谐音「白等」「放空炮」）。V4-Flash-0731 上线后，因为实际表现超出预期，不少网友又把「梁圣」的称号还了回去——这种戏谑式的昵称反转，本身就是观察中国 AI 社区情绪风向的一个有趣侧面。

更值得关注的是一个在中文开发者社区流传的说法：「斩杀线」（kill line）。意思是：DeepSeek 凭借「够用的性能+极端低价」的组合，给同行设下了一条门槛——友商的模型如果性能没有明显超过 DeepSeek，又拿不出更低的价格，就会在市场上失去存在感。这也解释了近期一些友商（比如有报道提到 GPT-5.6 Luna 低价版一次性降价 80%）为何密集调整定价策略。一位从事 AI 创业孵化的业内人士对 21 世纪经济报道的评价颇为形象：「所有大模型公司都在梁文锋前面奔跑，不管用什么方式，都必须跑到 DeepSeek 前面才能生存。」

从更大的行业背景看，V4-Flash 正式版上线当天（7 月 31 日），英伟达、博通、AMD 等算力芯片股并未出现明显波动——市场似乎已经习惯了「DeepSeek 式效率突破」这种叙事，不再简单把「用更少算力做到同等效果」等同于「利空算力股」。这和 2025 年初 DeepSeek-R1 发布时引发全球 AI 芯片股集体下跌的场景形成了鲜明对比，某种程度上说明市场对中国大模型工程创新的认知已经相对成熟。

8. 五步实操：V4-Flash Agent 接入与验证清单

1. 迁移旧 model 名称：官方已于 7 月 24 日正式停用 deepseek-chat 与 deepseek-reasoner。若你仍在使用旧命名，需尽快切换为 deepseek-v4-flash；OpenAI ChatCompletions 或 Anthropic 格式接入无需改代码，model 字段更新即可。
2. 验证 API 与缓存命中率：用 curl 或 SDK 发送测试请求，分别测试缓存命中与未命中路径，记录输入/输出 Token 单价与延迟基线。留意海外社区反馈的缓存命中率偏低问题，批量 Agent 任务应单独测算真实单任务成本。
3. 配置 Cursor / OpenClaw / Claude Code：Harness 尚未公开发布前，可继续用 Claude Code 或 OpenCode 作为 Agent 执行框架。在 OpenClaw 的 openclaw.json 中将默认模型指向 deepseek-v4-flash，执行 openclaw doctor 与 openclaw channels status --probe 验收通道。
4. 与 Kimi K3 / Qwen3.8-Max 做 A/B 压测：选取 3–5 个真实 Agent 任务（编码、工具调用、长上下文摘要），并行路由 V4-Flash 与竞品，记录单任务成本（参考 AA 指数：V4-Flash $0.03 vs Kimi K3 $0.86 vs Claude Fable 5 $3.15）与完成率，勿仅依赖厂商自报 Terminal Bench 分数。
5. 迁移至 SFTPMAC 7×24 远程 Mac：大规模 Agent 流水线要求宿主机持续在线。将 OpenClaw 网关与 Cursor CLI 部署至 Apple Silicon 远程 Mac，通过 SFTP/rsync 同步代码库与 ~/.openclaw 配置，避免笔记本休眠中断批量任务，在 Harness 正式发布前并行压测多模型路由策略。

# 快速验证 V4-Flash API（OpenAI 兼容格式示例）
curl https://api.deepseek.com/v1/chat/completions \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"deepseek-v4-flash","messages":[{"role":"user","content":"ping"}]}'

9. Agent 宿主机决策矩阵

10. 常见问题

Q1：DeepSeek V4 和之前的 V3.2 相比，最大的区别是什么？
A：最直接的区别是原生支持 100 万 token 上下文，且长上下文场景下的计算和显存开销大幅降低（官方数据：V4-Pro 在百万 token 上下文下所需 FLOPs 仅为 V3.2 的 27%，KV Cache 仅为 10%）。此外 V4 系列在 Agent 能力上做了专项优化，适配了 Claude Code、OpenCode 等主流 Agent 工具。

Q2：日常使用应该选 V4 Flash 还是 V4 Pro？
A：如果只是普通对话、简单任务或者需要大规模、低成本调用（比如批量处理、Agent 流水线），目前的 V4-Flash-0731 官方版性价比更高，且 Agent 跑分已经反超 V4-Pro 预览版。如果任务涉及更深的世界知识或复杂推理，且预算不敏感，可以先用 V4-Pro 预览版，等官方版上线后再评估是否需要切换。

Q3：现在能用上 V4 Pro 官方版吗？
A：截至本文发稿（2026 年 8 月 5 日），还不能。目前上线的官方版只有 V4-Flash-0731，且仅限 API 调用，App 和网页端还是旧版本。V4-Pro 官方版和自研 Harness 框架官方口径是「尽快发布」，没有确切上线日期，网上流传的「8 月 10–20 日」等具体时间是未经证实的传言。

Q4：DeepSeek 公布的跑分能直接相信吗？
A：建议区分对待。像 SWE-bench Verified 这类被广泛采用、方法论透明的第三方基准，可信度相对较高；但 Terminal Bench 2.0 等 Agent 类跑分是用 DeepSeek 自研且未公开的 Harness 测出来的，官方自己也提示这类数字对框架选择高度敏感，建议等社区用其他 Agent 工具（Claude Code、Cursor 等）独立复现后再下结论。

Q5：这次更新对普通开发者有什么实际影响？
A：如果你在用 OpenAI ChatCompletions 或 Anthropic 格式的 API 接入 DeepSeek，不需要改代码，deepseek-v4-flash 这个 model 名会自动指向新的官方版本。如果你此前用的是已经停用的 deepseek-chat/deepseek-reasoner，需要尽快切换到新命名，官方已在 7 月 24 日正式停用旧名称。

数据来源：DeepSeek 官方 API 文档与更新日志（api-docs.deepseek.com）；DeepSeek-V4 技术报告《DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence》及 Hugging Face 模型卡（deepseek-ai/DeepSeek-V4-Pro、DeepSeek-V4-Flash）；Artificial Analysis 第三方模型评测数据（经旺得富理财网、Meyka 等财经媒体转引）；21 世纪经济报道《DeepSeek 又发重磅更新 行业梦回 2025 年春天》；快科技（凤凰网科技转载）《DeepSeek V4 正式版有多强》；V2EX 社区讨论帖《最新的 deepseek-v4-flash 正式版真的有这么强吗？》；36 氪欧洲版、HTX Insights 相关报道；Moonshot AI（Kimi K3）、智谱/Z.ai（GLM-5.2）、阿里云（Qwen3.8-Max）官方发布信息。发布前请务必核实最新定价、跑分及 V4-Pro/Harness 上线状态，本文所有数据截至 2026 年 8 月 5 日，AI 行业信息更新极快，具体细节可能已发生变化。

11. 总结：V4-Flash 的价值、局限与 Agent 底座选择

DeepSeek V4-Flash-0731 这次更新的核心故事是：参数不变、后训练重跑，在 Agent 跑分上反超自家更大的 V4-Pro 预览版，并以 $0.14/$0.28 的 API 定价打出「够用智能 + 极致价格」的组合——对需要大规模调用、对绝对智能上限不敏感的 Agent 和批量任务场景，这是 2026 年 8 月值得立刻接入测试的高性价比选项。

但局限同样清晰：Harness 尚未公开发布（Terminal Bench 等 Agent 跑分均依赖未公开的极简模式）、Artificial Analysis 智能分（50）落后于 Kimi K3（57）与 GLM-5.2、V4-Pro 官方版与 App/网页端同步仍无确切日期。在第三方 Agent 框架独立复现与 Harness GA 完成之前，更务实的路径是走 API 做业务场景 A/B 测试，而非按营销话术全量迁移生产系统。

若你计划在 V4-Flash 低价窗口期大规模跑批量 Agent 流水线，笔记本与通用 Linux VM 更容易暴露「省 API 费、丢 Agent 循环」的隐性成本——长任务被休眠打断、代码库不同步导致重跑、缓存命中率波动拉高真实单价，都会吃掉近百倍的价格红利。建议将 Cursor CLI、OpenClaw 网关与团队代码库统一部署在持续在线的 Apple Silicon 远程 Mac上，通过 SFTP/rsync 保持仓库一致。SFTPMAC 远程 Mac 租赁提供面向 AI Agent 的 macOS 环境：原生 Cursor 兼容、低延迟 API 回调、7×24 不中断——比「个人设备兼 Agent 宿主机」更适合在 DeepSeek「斩杀线」定价窗口期把 API 价格优势真正转化为稳定的 Agent 生产收益。