DeepSeek V4 Flash惨遭碾压？V4 Pro 0813强势斩杀

我可能是算错了，DeepSeek Flash 有可能会被 DeepSeek Pro 给斩杀掉。

因为Artificial Analysis的正式结果还没有出来，下面这些数字是我根据DeepSeek官方小助手发布的性能图表推算出来的。

V4 Pro 性价比估算

主要的依据来源于 DeepSeek 官方小助手发的性能图表。这个数据大概瞄一眼就知道提升有多大了，比较夸张的是 DeepSWE，从预览版的 12.8 提升到 62.7，将近五倍的提升。

添加图片注释，不超过 140 字（可选）

计算过程是这样的，先拿已经有 AA 分数的 DeepSeek V4 Flash 0731 当参照（截止8.12）

• V4 Pro Max：45.2683 分，$0.0474025/task
• V4 Flash 0731：51.7666 分，$0.0271349/task

它的10项评测均分是55.47，Pro 0813是60.80，也就是Pro高出约9.6%。因此，Pro 0813的智力指数可以估算为：

51.77×60.8055.47≈56.74

所以Pro 0813在AA里面的智力指数，我暂时估在56.74分左右。这样算的理由也比较简单，两个模型用的是同一张性能表、同一套项目和同一种计分尺度，拿它们的相对差距去调整Flash已经公开的AA分数，比拿模型参数量或者某一个单项成绩硬推更稳定一些。

成本这一部分，相对保守的办法，是把Preview到0813的提升理解为单位有效产出提高了1.635倍，再让成本按反比例下降：

0.0474×60.80/37.19≈0.0290美元

也就是说，主推结果大约是56.74分、0.0290美元一次任务。这个点已经可以进入帕累托前沿，但它还没有严格斩杀Flash，因为Flash的成本大约是0.0271美元，比0.0290美元稍微低一点，两个模型仍然各有一个维度占优。

不过两者的距离已经很小了。从0.0290美元降到0.0271美元，只需要再降低大约6.4%。如果AA以后实测出来，发现Pro 0813完成同一批任务时确实少用了更多推理Token，把成本压到了0.0271美元以下，那么它就会同时比分数51.77的Flash更聪明、也更便宜，到那个时候才可以说Flash被Pro严格斩杀。

V4 Pro的后训练提升巨大

不过撇开是否被斩杀还是怎么样，但可以肯定的是V4 的两个版本完成新一轮后训练以后，提升幅度非常大，按照 DeepSeek 官方发布的对比表，把 HLE 的不带工具与带工具两项先取平均，再计算十组 Agent 评测，Pro Preview 到 Pro-0813 平均增加约 24.0 个百分点，Flash Preview 到 Flash-0731 平均增加约 23.5 个百分点。

DeepSWE 的增速看起来最大，绝对增加也达到 49.9和47.1 个百分点，Cybergym、DSBench-Hard、DSBench-FullStack 的绝对增量同样很高，这几项共同指向代码执行、终端操作和长链路任务能力的变化。

看起来，后训练给所有模型带来的提升都是巨大的。

Pro-0813 与 Fable 5、GPT-5.6 Sol 的位置

同时可以肯定的是，Pro 0813 在跟这个最前沿模型相比之后，已经 100% 可以确认，它已经进入了 Agent 能力的第一梯队附近。

如果用这个图来看，现在 DeepSeek Pro、Fable 5、GPT-5.6 Sol 以及 Kimi K3 都是坐一张桌子的

可以说是比较稳定地超过了 Cloud 的 4.8 这个大版本，同时在部分情况下，已经接近了 Fable 5 这个模型。

开源模型世界

但是大家要知道，这个 DeepSeek V4 Pro 它是一个开源模型，这个模型的大小大家是很清楚的。

那么跟开源模型相比，主要是跟这次公布的 DeepSeek V4 Flash、Kimi K3 以及 GLM 5.2 相比，DeepSeek V4 Pro 的模型参数排第二，是 1.6T。最大的是 Kimi K3，是 2.8T。

但是有意思的是，DeepSeek V4 Pro 的 Agent 性能指数，和比它大的 2.8T 的 Kimi K3 在伯仲之间。可以说，DeepSeek 肯定是有自己一套独到的 Agent（也就是后训练）方法。因为即使是只有 284B（差不多小了 10 倍）的一个模型，它都能达到 83.7 的指标。

可以说，DeepSeek-V4-Pro-0813 是一个可能会斩杀很多模型的一个模型。

V4 Preview 发布时，Pro 已经具备很强的知识、数学和代码能力，Agent 评测却暴露出明显短板。经过新一轮后训练，Pro 与 Flash 在十组评测上的平均绝对提升都超过23个百分点，提升最大的部分集中在需要连续使用工具、读取环境反馈和反复验证结果的任务。

Pro-0813 目前最合适的位置，是最强模型最严厉的爸爸。它在 AutomationBench、Cybergym和部分 DSBench 项目里很强，HLE带工具和Terminal Bench也已经靠近Fable 5与GPT-5.6 Sol，DeepSWE和Toolathlon仍能看到差距，也还需要更多外部复测来验证稳定性。

如果任务量大、并发高、每次失败的成本可控，Flash-0731更划算。如果任务涉及大型仓库、困难调试、网络安全环境或者长时间工具调用，Pro-0813增加的成功率更可能覆盖价格差。两款模型这次提升的共同点，是参数规模没有成为主要变量，后训练把模型已有的代码与推理能力组织成了更稳定的执行过程。