DeepSeek V4 Pro 转正：跑分翻倍背后的疑点

8 月 12 日深夜，DeepSeek 官网的 API 文档悄然更新，Pro 模型版本号换成了 DeepSeek-V4-Pro-0813。按官方群里放出的评分，正式版远超预览版，在 Terminal Bench 2.1 上比肩当下最强模型。但与此同时，权威评测机构、个人实测乃至一个简单的「鹈鹕测试」，都和这张跑分表对不上。

先看官方给出的一面。据第一财经报道的 DeepSeek 官方群消息，V4 Pro 正式版相比预览版进步巨大：DeepSWE 测试集从 12.8 分飙到 62.7 分（近 5 倍），DSBench-Hard 从 31.1 冲到 67.2，DSBench-FullStack 从 41.8 提升到 71.1，涨幅普遍接近翻倍。硬件规格上，V4 Pro 延续 MoE 架构，总参数 1.6 万亿、每次推理激活约 490 亿参数，接口提供 100 万 token 上下文和最高 38.4 万 token 输出——对长任务 Agent 而言，这是硬刚需。调用方式不变，模型名仍是 deepseek-v4-pro，老用户代码一行不用改，价格也与预览版一致（每百万 token 缓存未命中输入 3 元、输出 6 元），并未随转正上调，尽管此前官方曾表示价格将要上涨。

跑分的另一面：独立评测与实测的落差

问题在于，这次「转正」的发布痕迹异常低调。官方既没有像 V4 Flash 正式版那样发布完整的更新日志（含 9 项基准测试的具体分数和「模型结构、尺寸保持不变，仅重新进行后训练」的说明），也没有官方公告——截止报道，与 V4 Pro 正式版相关的只有三处：官网「模型 & 价格」页面、首页一句简短的滚动公告、一张跑分表。

独立评测给出的数字，与跑分表并不吻合。权威评测机构 Artificial Analysis 上线了 V4 Pro 0813（最大推理强度）的独立评测页，综合智能指数 53 分，相比预览版的 45 分确有提升、与 GLM-5.2 齐平，但离跑分表里「接近甚至超过 Fable 5」的说法相去甚远——作为参照，同一天发布的 Grok 4.6 拿到了 61 分。在考察数学能力的 Proof Bench 上，以数学见长的 DeepSeek，V4 Pro 正式版甚至没挤进前 10。个人评测者也给出类似反馈：AI 博主牙医发文称，reasoning_effort=max 时模型在长程 Agentic Coding 任务上倾向于早停——总计 50 轮测试中，两次在 42 至 43 轮就自行停止，且成绩没打过 GLM-5.1。

最直观的例子是所谓的「鹈鹕测试」。提示词是让模型生成一个循环动画 SVG：鹈鹕骑自行车，轮子转、踏板动、腿踩得正确，无限循环。将同样的提示词分别发给 V4 Pro 正式版和 Flash 正式版，结果是 Flash 完成得远比 Pro 好——无论是鹈鹕的动作还是背景的云彩，Pro 都不如 Flash。

这些落差让不少人怀疑，0813 这个版本号可能只是「占位符」——DeepSeek 也许并没有真正上线新模型，或者有意压制了能力、先占住坑，等 DeepSeek Harness 准备就绪再释放，以免超高并发挤爆服务器。这个猜测有一条线索支撑：DeepSeek Harness 负责人崔添翼此前透露，V4 Pro 正式版将和 DeepSeek Harness 同时上线，而 8 月 13 日正是 Harness 的最后一次测试。并且，V4 Flash 正式版 API 文档里写明，其公开基准测试中的 Code Agent 任务，正是用 DeepSeek Harness 极简模式作为测试框架——V4 Flash 在 Terminal Bench 2.1 的 82.7 分，严格说是「模型 + Harness」组合的成绩，不是纯模型裸分（V4 Flash 预览版该项是 61.8 分，V4 Pro 预览版是 72.1 分）。

「斩杀线」的价格战，正在改写行业

V4 Pro 转正只是这轮价格战的注脚。自 DeepSeek V4 Flash 正式版 7 月 31 日上线后，行业叙事换成了「每任务/单位智能的价格」——按 Artificial Analysis 的测试，在完成相同水平任务的前提下，V4 Flash 的价格低于市面上 70% 的模型，这些处在分水岭之内的竞品，被戏称为被 DeepSeek「斩杀」。落在线上的厂商只有两条出路：大幅下调定价，或放弃普惠开发者市场、收缩到高端企业客户。

于是各家的应对变得相当微妙。OpenAI 的 GPT-5.6 Luna 7 月 9 日才上线，7 月 30 日就宣布降价 80%（输入从每百万 token 1 美元砍到 0.2 美元，输出从 6 美元砍到 1.2 美元）。Anthropic 把 Sonnet 5 的首发优惠价格（2 美元/10 美元）在 8 月 10 日直接永久化，Opus 5 定价 5 美元/25 美元，正好是 Fable 5 的半价。谷歌 7 月 21 日一口气发三款 Gemini Flash 轻量模型，主力款 3.6 Flash 当天宣布输出价永久下调 17%。国内更是放血式促销：智谱把 GLM Coding Plan 全员额度重置回满并叠 1.5 倍限时加成，火山引擎给 GLM-5.2 开出四倍折扣，OpenRouter 上三家供应商从 60% 一路压到 95%。

有意思的是，真正站在金字塔尖的旗舰——GPT-5.6 Sol、Kimi K3、Claude Fable 5——一个都没降价。Kimi K3 甚至逆势涨价：对比上一代旗舰 K2.6，国内版输入价上涨 208%、输出价上涨 270%。逻辑很清楚：斩杀线之上可以继续收溢价，能力足够强、DeepSeek 够不到，就不在杀伤范围内。V4 Flash 总参数仅 284B，在 Artificial Analysis 的智能指数里只拿 50 分——在复杂推理、长链路、多步规划这类「必须万无一失」的任务上，它确实还够不到头部旗舰。

斩杀线不会停在原地

让这条斩杀线继续下移的技术，已经开始走向成熟。一是推测解码：用一个小模型快速出草稿，大模型只做并行验证和修正，草稿命中率稳定在 80% 以上时，旗舰模型的有效推理成本能降到原来的三分之一到五分之一。2026 年 6 月 DeepSeek 发布的 DSpark 模块已部署到 V4 Flash 和 V4 Pro 线上流量，在相同吞吐下用户生成速度提升了 60% 到 85%。二是静态知识剥离：把事实性知识从参数中拆出去，只靠外部检索补充。DeepSeek 联合北大今年 1 月发表的论文提出 Engram 技术——相当于把模型的闭卷考试改成开卷考试，在模型中间插一本「速查手册」，事实性问题直接翻手册，脑容量全留给真正需要动脑筋的推理，同样能显著降低模型成本。

回到 V4 Pro 本身。无论 0813 是占位符还是真转正，一个事实是确定的：当 DeepSeek Harness 与 V4 Pro 正式版真正一起上线时，凭借「模型 + 框架」的组合成绩，行业很可能迎来一个新的斩杀档位。而国内玩家已经全部挤进这条赛道——智谱的 ZCode 在自研 Code Bench 上，让 GLM-5.2 配合 ZCode 相比配合 Claude Code，复杂跨文件任务通过率高出 2.39%，缓存命中率超过 98%。

番茄在涨价、鸡蛋在涨价、糖在涨价，结果番茄炒蛋反而便宜了。这个逻辑能维持多久，没人说得明白——但它至少说明，这一轮由 DeepSeek 掀起的降价，靠的不只是压缩利润，更是技术把成本打下来的结果。