DeepSeek V4 Pro投研能力首发实测！提升一般，但...

作者 | 熵简科技 AlphaEngine AI团队

DeepSeek 这次仍采用了熟悉的方式登场：没有发布会、没有预热，8 月 12 日深夜只把 API 文档里的版本号从 Preview 改成 DeepSeek-V4-Pro-0813，剩下的交给社区去发现。

我们 AlphaEngine 团队用自建的 IRB 投研基准，把它和 7 月底刚测过的 V4 Flash 0731 放在同一套题、同一批裁判跑了一遍。

图：AlphaEngine IRB投研能力测评结果

两句话讲完结论：

第一，投研能力的整体提升非常有限。 测评均分 88.73，Flash 0731 是 88.09，只高了 0.64 分，相对幅度 0.73%，而它的价格是 Flash 的 3 倍。

第二，Agent 能力的提升幅度很大。官方 Agent 榜单里，DeepSWE 从预览版的 12.8 冲到 62.7，涨了 390%。

（1）深度测评 V4 Pro 投研能力的真实段位

和 4 月 24 日的预览版相比，V4-Pro-0813 架构和参数量完全没变。

总参 1.6T 的 MoE，每 token 激活约 49B，1M token 上下文，最大输出 384K，CSA + HCA 的混合注意力也和预览版一致。

变化全部来自后训练的重做，这一点官方口径和 7 月底 Flash 转正时如出一辙，重点放在Agent 与工具调用能力。

为了系统化评估大模型的投研实战能力，我们在过去数年间持续收集、整理了一套"投研错题集"：IRB（Investment Research Benchmark）。

目前，IRB 已成为金融投研场景的权威 AI 测评基准，涵盖财务分析、定量推理、陷阱识别等 18 个核心领域，并从相关性、有用性、流畅性、连贯性等 8 大维度进行人机双盲评分。

本次测评中，DeepSeek V4 Pro 0813 与 OPUS-4.8、Claude Fable 5、GPT 5.5、Kimi K3、V4 Flash 0731 等模型同题作答，统一评分。

V4 Pro 总得分88.72，位列第5，作为对照，V4-Pro-Preview 均分 85.42，提升幅度比较有限。

以下选取几道代表性题目，具体展示 DeepSeek V4 Pro 0813 在投研任务上的能力表现。

题目一：低轨卫星组件终局估值（考察建模纪律）

题面：考虑 ITU 组网规则，申报后 7 年内发射卫星启用资源，否则自动失效，9 年完成10%，12 年完成 50%，14 年内完成全部投放。考虑卫星平均寿命 5 年的替换需求，终局我国低轨卫星在轨数量为 5 万颗，你觉得怎么估值才合理？

Pro 0813：91.3　|　Flash 0731：63.0

这道题埋了一个非常隐蔽的坑：题面给的 7/9/12/14 年时间表，看起来像需求数据，实际上是监管义务。

模型最容易犯的错，是把这四个节点直接当成需求曲线：用 14 年铺完 5 万颗去算年均发射量，再拿这个高增长阶段的量给一个成长股 PE。

Pro 0813 第一步就把这两件事切开了：ITU 的 7/9/12/14 年是建设期爬坡规则，不是终局需求。

它用 5 万颗存量除以 5 年寿命，得到稳态下每年 1 万颗的替换需求，再按单星价值量 100 万元、净利率 50%，推出稳态年收入 100 亿元、净利 50 亿元。

最后给出关键定性结论：终局是一门成熟的替换生意，所以估值锚应该落在成熟制造业的区间（15-20 倍 PE），而不是组网期的成长估值。

Flash 0731 也给出了建设期和终局两套估值，框架并不差，但它对成熟期 PE 给得明显更激进，等于把组网期的增长溢价渗进了稳态估值里。

这道题考察的不是模型会不会算 PE，而是它能否识别出题面里那些"看起来是需求、实际是约束"的信息，并且在给出结论的同时，交出结论失效的条件。

题目二：前道设备订单归因（考察叙事证伪能力）

题面：前道设备复苏已经确立，国产 EUV 传闻与存储扩产的共振，能否驱动订单超预期爆发？

Pro 0813：94.7　|　Flash 0731：70.7

这道题的特殊之处在于：题面本身就是一句多头结论，这不是提问，是在诱导模型顺着往下讲。

模型最容易犯的错，是接受这个前提，然后把几件性质完全不同的事揉成一个"共振"故事，越写越顺。

Pro 0813 没有接话，而是把所谓的"订单驱动"进行拆分讨论。

可核验的订单来源包括长鑫、长存的资本开支上修和招投标。

而题目中提到的国产 EUV 整机，由于缺乏硬证据，它它明确将其标为传闻。

Flash 0731 同样没有把 EUV 当成事实，这一点它做对了。

但它在量化环节出了两处硬伤：把 85/100kwpm 误读为 85/100 万片/月，放大了约 10 倍，量化口径整体失真。

在产业研究中，识别一个叙事的证据等级是至关重要的。

（2）DeepSeek V4 Pro的短板

但这次测评也明显暴露出DeepSeek V4 Pro模型的短板和硬伤。

作为客观公平的测评者，我们挑选2道具有代表性的题目进行阐述。

题目三：国电电力估值框架（考察财务时间线校验）

题面：请为国电电力搭建估值框架：选择5家可比公司，说明 PE、PS、EV/EBITDA 等口径如何选；给出DCF增长、利润率、折现率和终值假设；分别按乐观、基准、悲观三档情景进行测算。

Pro 0813：61.0　|　Flash 0731：88.7　|　GPT-5.5：92.7　|　Kimi K3：88.7　|　Opus 4.8：87.3

这是 Pro 在本次测评中的最低分，也是最值得警惕的一道题。

先说正面的部分：它把题目要求的三件事全都做完了。

相对估值选了可比公司并说明了口径、三档情景齐备、敏感性分析也做了，从形式完整度看，这份答案几乎无可指摘。

问题出在一个数字上。

它把 2024 年转让国电建投产生的约 46 亿元一次性投资收益，塞进了 2025 年的 71.61 亿元净利润里，然后据此得出判断："当前估值便宜只是一次性收益造成的。"

这一步的破坏力是巨大的，DCF 的起点、相对估值的分母、三档情景的中枢，全部建立在这个数字上，一步错，步步错。

题目四：磷化铟与铌酸锂（实体边界在无干扰题上失守）

题面：800G驱动下，光通信上游磷化铟和铌酸锂的需求是否会爆发？国产替代将如何加速？

Pro 0813：67.7　|　Flash 0731：93.7　|　GPT-5.5：94.3　|　Kimi K3：93.3　|　Opus 4.8：92.3

首先，绝大部分内容，V4 Pro都做对了。

磷化铟和铌酸锂的技术路线拆解完整，需求时间轴清晰，主线判断没有问题。如果在最后一段之前收尾，这会是一份合格的答案。

问题出在结尾的跟踪清单：它写进了一个叫"黑格勒"的公司，上下文里完全没有出现过。

而且它不是一笔带过，它把这家公司与云南锗业并列为磷化铟收入的跟踪主体，还给它安排了三季度的收入观察指标。

这个错误的性质需要说清楚：它不是数字算错，也不是判断偏了，而是在一份要求仅依据题内材料回答的答案里，凭空生成了一个研究对象。

对照组的收敛程度是这道题最有说服力的证据：V4 Flash、GPT-5.5、K3、Opus 4.8 四家分数落在 92.3-94.3 之间，标准差只有 0.84。

它们都老老实实把跟踪对象限定在云南锗业、通美/AXT、天通、光库等这上下文中出现过的公司。

换句话说：这道题不难，四家全对，V4 Pro 是唯一失手的。

（3）写在后面

这次DeepSeek V4 Pro正式版的能力有所提升，但表现整体略低于我们的预期。

Pro-0813 的基础动作比 Flash-0731 更扎实，尤其是日期、主体、公式、证据边界和“资料不支持就不要硬下结论”这些底层操作。

更重要的是，在一部分复杂投研题中，它已经不只做信息归纳，而会把题干叙事拆成订单、利润、技术路线与验证节点，或把碎片报告重构为可维护的研究系统。

但当题目同时整合多个公司、产品线、年份、估值口径和情景假设时，Pro 仍更容易主动把链条补完整，随之产生越界。

于是，复杂题上可能出现“框架更大、局部事实反而更不稳”的结果。

对投研从业者而言，理性做法是把 Opus 5、DeepSeek V4 Flash 继续当生产主力，等一个经得起第三方复现的 V4 Pro Pro 版本，再决定是否切换主力模型。

也可以考虑和刚发布的DeepSeek Harness结合体验下。

如果你已经是 AlphaEngine 用户，现在就可以亲自上手体验一番。

无论是AlphaEngine桌面端还是网页端，你都可以在 AlphaClaw 的模型选择界面切换至 DeepSeek V4 Flash/Pro。

还没有 AlphaEngine？登录 www.alphaengine.top 即可使用（仅限机构投资者）。

对AI投研感兴趣的朋友，欢迎扫码入群，也可以后台回复【入群】。