DeepSeek-V4-Flash正式版上线：模型没改DeepSWE暴涨6倍+1元买Claude服务

duckwolf

2026年7月31日晚，DeepSeek悄然上线V4-Flash正式版API（版本号V4-Flash-0731），没有发布会、没有直播，只在更新日志里写了一行"Agent能力大幅增强"。然而开发者社区在12小时内彻底炸锅——这款2840亿参数MoE架构、激活仅130亿的"廉价版"模型，DeepSWE评分从预览版7.3暴涨到54.4（+644%），Terminal Bench 2.1拿到82.7分（超越自家V4-Pro-Preview的72.1和智谱GLM-5.2的81.0），Arena.ai前端代码榜直接冲到开放类别全球第三。最让开发者震撼的不是性能，而是"只重做了后训练，模型骨架一点没变"。输出价低至2元/百万tokens、缓存命中价0.2元/百万tokens——按官方定价折算，调用一次Claude Opus级服务的钱，可以调用DeepSeek-V4-Flash 90次。


一、九项Agent基准全面碾压：模型没动，性能暴涨的工程奇迹

DeepSeek官方公布的九项Agent基准测试数据呈现出"反常识"的提升曲线。第一项是Terminal Bench 2.1（Linux终端自主规划与多步命令执行）：82.7分，超过V4-Pro-Preview的72.1和GLM-5.2的81.0，仅落后Claude Opus 4.8的85.0约2.3分。这一项是"Agent能否独立操作系统"的实战测试。第二项是NL2Repo（代码仓库理解与修改）：从39.4提升至54.2（+37.6%），考察Agent能否理解真实代码库上下文并生成可执行补丁。第三项是CyberGym：从38.7暴涨至76.7（+98%），测试Agent在网络安全场景中识别漏洞、利用漏洞的实战能力。第四项是DeepSWE（专门评估长周期、多步骤编程任务的自主解决能力）：从7.3飙升至54.4（+645%），是九项中涨幅最恐怖的指标。

其余五项同样表现亮眼：Toolathlon-Verified 70.3、Agents' Last Exam 25.2、AutomationBench 25.1、DSBench-FullStack 68.7、DSBench-Hard 59.6。第三方评测平台Artificial Analysis的智能指数测试中，V4-Flash-0731（最高推理档位）拿下50分，而同类可比模型中位数仅17分——高出近3倍。Arena.ai的前端代码竞技场榜单上，V4-Flash-High拿到1586分，比预览版暴涨154分，比V4-Pro-Preview还高121分，直接冲进开放类别全球第三。

值得强调的是DeepSeek官方明确声明：V4-Flash-0731与预览版采用完全相同的模型架构和参数规模（284B总参+13B激活），能力提升主要来自后训练升级，并非扩大模型规模或更换底层架构。这是AI产业历史上罕见的"零模型变更、纯后训练优化带来质变"的工程案例。


二、为什么"只重做了后训练"能带来质变

后训练优化的空间被严重低估，是本次DeepSeek-V4-Flash正式版给行业最深的启示。传统大模型迭代路径是"堆参数+换架构+扩数据"，但MoE架构已经证明：当总参数达到2800亿量级后，参数边际收益急剧递减。DeepSeek的突破点在于后训练阶段的三项精细化优化。第一是强化学习数据构造策略升级：传统RLHF依赖"人类偏好排序"，DeepSeek团队构造了更高质量的多轮Agent执行轨迹，让模型在"沙盒终端操作+代码生成+工具调用"三类场景获得更密集的正反馈信号。第二是在线蒸馏（Online Policy Distillation）的精细化：通过让V4-Pro-Preview（旗舰预览版）作为教师模型指导V4-Flash的学生模型，在不改变学生模型结构的前提下，把旗舰模型的"决策模式"迁移到廉价模型。第三是测试时计算（Test-Time Compute）的动态调度：Agent任务在执行过程中可以根据难度动态切换"思考模式/非思考模式"，简单任务用快速路径，复杂任务启用深度推理。

这三项优化的协同效应在DeepSWE评分上体现得最充分——DeepSWE考察的是"长周期多步骤编程任务"，单一后训练优化很难获得这种量级的提升。DeepSeek的解法是：先用RL数据让模型"敢执行"（不再回避高风险操作），再用OPD蒸馏让模型"会执行"（模仿旗舰的决策模式），最后用Test-Time Compute动态调度让模型"省执行"（按需启用深度推理）。三者叠加才能让"廉价模型"在长周期任务上获得接近旗舰的能力。


三、价格碾压：1元能买Claude服务90次

DeepSeek-V4-Flash正式版的定价延续了DeepSeek一贯的"白菜价"策略。输出价2元/百万tokens、缓存命中价0.2元/百万tokens，对比Claude Opus 4.8的约180元/百万tokens（输出）和约45元/百万tokens（缓存命中），DeepSeek的输出价仅为Claude的约1/90，缓存命中价仅为Claude的约1/225。开发者社区实测数据显示：使用V4-Flash-0731跑一小时Agent代码任务，调用成本不到1元人民币，缓存命中率高达98-99%。这意味着任何一家中小企业的AI开发团队（年调用量100亿tokens级），如果切换到DeepSeek-V4-Flash，年成本可从百万元级别降至千元级别。

更关键的是DeepSeek-V4-Flash原生支持Responses API格式并针对Codex进行了优化适配。Codex是OpenAI的智能体编码框架，本次适配意味着开发者可以"零代码改动"地将基于Codex构建的Agent迁移到DeepSeek。这是OpenAI生态与DeepSeek生态首次实现"接口级兼容"，对OpenAI生态的开发者锁定效应形成实质冲击。


四、对全球AI Agent生态的冲击

DeepSeek-V4-Flash正式版的影响远超"又一款开源模型发布"。第一层冲击是"闭源旗舰的护城河被廉价开源挑战"：Claude Opus 4.8、GPT-5.6 Luna等顶级闭源模型虽然仍领先2-3分，但价差是90倍以上。对Agent应用层开发者，"99%场景用DeepSeek+1%场景用闭源旗舰"成为经济上最优的选择。第二层冲击是"Agent测试标准的可信度重塑"：本次DeepSeek官方注明分数是在自研Harness极简模式下跑的（max档位+topp=0.95+temperature=1.0），自研框架测自家模型存在"框架红利"风险。社区呼吁第三方平台（Artificial Analysis、Arena.ai）建立"中立测试基准"，避免厂商选择性披露。第三层冲击是"开源模型的工程化能力上限被重估"：传统观点认为"开源模型=能力次一等"，但DeepSeek-V4-Flash证明"开源+精细化后训练"可以逼近闭源旗舰。这意味着DeepSeek-V4-Pro正式版一旦发布（DeepSeek已预告"尽快发布"），可能在Agent能力上与Claude Opus 4.8、GPT-5.6 Luna正面交锋。


五、结论

DeepSeek-V4-Flash正式版上线是2026年Q3 AI产业最具颠覆性的事件之一。它证明了三件事：第一，"堆参数"不是唯一出路，后训练优化的空间远大于行业预期； 第二，"开源vs闭源"的二元对立正在让位于"分层共存"——开源廉价模型承担90%场景，闭源旗舰承担10%高价值场景； 第三，AI Agent的工程化竞争从"模型规模"切换到"后训练数据+测试时计算调度+智能体框架适配"三位一体的精细化运营。 对中国AI产业来说，DeepSeek-V4-Flash是"国产开源模型在Agent能力上完成对闭源旗舰追赶"的标志性事件。可以预期，2026年Q4将出现"后训练优化"成为大模型竞赛新主战场——MoE架构的总参数竞赛降温，针对特定Agent场景的强化学习数据构造+在线蒸馏+Test-Time Compute调度的精细化能力将成为决胜点。


数据来源

TechWeb《DeepSeek-V4-Flash正式API上线》（2026.07.31）；金融界《DeepSeek-V4-Flash正式版上线公测》（2026.08.01）；云头条《DeepSeek-V4-Flash 正式 API 上线》（2026.08.01）；微博 @8006029702《DeepSeekV4Flash正式版跑分出炉》（2026.08.01）；微博 @7876646016《DeepSeek-V4-Flash跑分出炉》（2026.08.01）；博客园 rangsh《DeepSeek V4 Flash 正式版：成绩碾压 Pro 预览版》（2026.08.01）；DeepSeek官方API更新日志（api-docs.deepseek.com，2026.07.31）；Artificial Analysis智能指数测试（artificialanalysis.ai，2026.08.01）；Arena.ai前端代码竞技场榜单（arena.ai，2026.08.01）。具体基准测试分数、定价数据、缓存命中率以DeepSeek官方API文档与Artificial Analysis最新数据为最终依据。