DeepSeek V4 Flash 正式版：架构没变，为什么 Agent 能力大幅跃升？
DeepSeek V4 Flash 正式版最容易被误读的一句话，是“多项 Agent 跑分远超 V4 Pro 预览版”。
这看起来像一个熟悉的故事：更小的模型打败了更大的模型。但 DeepSeek 自己给出的信息恰好否定了这种简单解释——正式版 Flash 与预览版的架构、参数规模完全相同，唯一的模型变化是重新后训练。
所以这次发布真正值得讨论的，不是“13B 激活参数打败 49B”，而是另一个更接近现实的问题：当 AI 开始操作终端、修改仓库和调用工具时，我们测到的究竟是模型能力，还是“模型 + 后训练 + Harness + 推理预算”的系统能力？
先把“正式版”说清楚
2026 年 7 月 31 日，DeepSeek 在 API 更新日志中宣布 DeepSeek-V4-Flash-0731 正式版 API 进入公测。调用方式没有变化，模型名仍然是 deepseek-v4-flash。
这里有三个容易被标题省略的边界：
- 本次只升级了 Flash API，DeepSeek App、Web 和 V4 Pro API 都没有更新；
- 被超过的是 V4 Pro Preview，不是尚未发布的 V4 Pro 正式版；
- 官方列出的九组成绩里，
DSBench-FullStack和DSBench-Hard是 DeepSeek 内部测试集。
去掉两组内部数据，只看 DeepSeek 官方模型卡列出的七组公开基准，正式版 Flash 仍然全部领先 Pro 预览版：
| 公开基准 | Flash 正式版 | Flash 预览版 | Pro 预览版 | 相对 Pro 预览版 |
|---|---|---|---|---|
| Terminal-Bench 2.1 | 82.7 | 61.8 | 72.1 | +10.6 |
| NL2Repo | 54.2 | 39.4 | 38.5 | +15.7 |
| CyberGym | 76.7 | 38.7 | 52.7 | +24.0 |
| DeepSWE | 54.4 | 7.3 | 12.8 | +41.6 |
| Toolathlon-Verified | 70.3 | 49.7 | 55.9 | +14.4 |
| Agents’ Last Exam | 25.2 | 15.8 | 16.5 | +8.7 |
| AutomationBench Public | 25.1 | 10.8 | 12.8 | +12.3 |
其中最夸张的是 DeepSWE：同一套 Flash 架构从 7.3 提升到 54.4，增加了 47.1 分。这样的变化很难用“模型又大了一点”解释，因为模型根本没有变大。
13B 激活参数，不等于 13B 小模型
按照 DeepSeek V4 技术报告，V4 Flash 是一个 MoE 模型，总参数 284B，每个 token 激活 13B；V4 Pro 总参数 1.6T，每个 token 激活 49B。两者都原生支持 100 万 token 上下文。
“13B 激活”描述的是一次推理实际参与计算的参数量，不是模型文件只有 13B。把 Flash 叫作“13B 小模型”会同时忽略 284B 的专家参数、路由机制和部署成本。
它的效率优势仍然是真实的。V4 使用 CSA（压缩稀疏注意力）和 HCA（高度压缩注意力）组成混合注意力架构，目标就是降低长上下文下的计算量与 KV Cache。只是这种“轻量”更准确的含义，是每个 token 使用更少的有效计算，而不是可以随手塞进一台笔记本。
更重要的是，DeepSeek 在发布日志里明确写道：DeepSeek-V4-Flash-0731 与 Flash Preview 的架构和规模相同，只做了重新后训练。由此可以得到一个相当直接的判断：正式版的 Agent 跃升主要来自后训练释放了既有架构的能力，而不是一次新的预训练规模竞赛。
这个判断也有边界。技术报告对 Flash 和 Pro 的比较并没有宣布“Flash 全面取代 Pro”：Flash 在知识评测上仍受参数规模限制；增加思考预算后，它可以在推理任务上接近 Pro，但在更复杂、更困难的 Agent 任务上仍然落后。
Agent 跑分测的不是一颗“裸模型”
如果把语言模型比作赛车的发动机，Agent Harness 就是变速箱、轮胎、车手和维修策略。终端任务最终能否完成，取决于整辆车，而不只取决于发动机排量。
DeepSeek 官方也没有隐藏这件事。其公开 Code Agent 成绩使用尚未发布的 DeepSeek Harness minimal mode，推理强度为 max，并设置 top_p=0.95、temperature=1.0。换句话说，82.7 不是把模型接进任意 Agent 后都能自动得到的成绩。
Artificial Analysis 的独立评测提供了一个很好的对照。它使用 Terminus 2 Harness，在 e2b 沙箱里对每个任务重复三次并统计 pass@1；同一 DeepSeek V4 Flash 0731 Max 在 Terminal-Bench 2.1 上得到 78.7%，比 DeepSeek 自报的 82.7 低 4 分。
这不代表哪一方“测错了”。不同 Harness 会改变命令组织、错误恢复、上下文管理和工具反馈，4 分差异恰好说明 Agent 基准不是纯粹的模型考试。
截至 2026 年 8 月 3 日，Terminal-Bench 官方验证榜单列出的 17 项结果中还没有 V4 Flash。因此，82.7 应当被视为厂商在指定条件下报告的成绩；78.7 则是目前更适合交叉参考的独立结果。二者都值得看，但不能混成同一个口径。
Flash 的优势是单价，但总成本还要看它想多久
DeepSeek 当前 API 定价把 Flash 和 Pro 放在了非常清楚的两个位置：
| 每 100 万 token | V4 Flash | V4 Pro |
|---|---|---|
| 输入（缓存未命中） | $0.14 | $0.435 |
| 输入（缓存命中） | $0.0028 | $0.003625 |
| 输出 | $0.28 | $0.87 |
| 并发上限 | 2500 | 500 |
如果只看普通输入和输出单价，Pro 大约是 Flash 的 3.1 倍；Flash 的并发上限则是 Pro 的 5 倍。这说明它的产品定位已经不只是“快速回复”，而是承担大量 Agent 循环的默认执行引擎。
但“每 token 便宜”不等于“每个任务一定便宜”。Artificial Analysis 的模型页显示，V4 Flash 0731 Max 在其 Intelligence Index 中得到 50 分，在同类 101 个模型中排第 3；与此同时，它为整套评测生成了约 2.1 亿输出 token，而同类中位数约为 1 亿，完成评测共花费 72.02 美元。
这组数据揭示了 Flash 的另一个特点：它可以用更长的思考换取更高能力。低单价为这种 test-time scaling 提供了空间，但真实账单仍由输出长度、工具轮数、失败重试和上下文缓存共同决定。
因此，评估 Agent 模型时，至少要同时记录三个指标：
- 任务成功率，而不是单轮回答是否“看起来正确”；
- 完成一个任务的总 token 与总费用，而不是 API 价目表上的单价；
- 端到端耗时，而不是模型开始吐字后的 tokens/s。
正式版 Flash 正在变成“默认层”
DeepSeek 为 Flash 原生支持 Responses API，并专门适配了 Codex。官方 Codex 集成文档写得很直接：目前只有 deepseek-v4-flash 支持 Codex，Pro 预计在 2026 年 8 月上旬跟进。
这比跑分更能说明产品意图。Flash 被优先放进 Coding Agent 的调用链，不是因为它在所有任务上最强，而是因为它同时具备几个适合做默认层的条件：
- 公开权重和 MIT 许可证，允许自部署与二次集成；
- 100 万 token 上下文，能容纳更长的代码与工具轨迹；
- 相对低廉的输入、输出价格和更高并发；
- 在多个 Agent 基准上已经进入旗舰模型附近的能力区间。
一个更合理的工程策略，不是让 Flash 或 Pro 独占所有请求，而是做分层路由：让 Flash 处理大多数检索、修改、测试和修复循环；遇到高难知识、长链推理或连续失败，再升级到 Pro 或其他更强模型。
这里的关键指标不是“最强模型用了多少次”，而是多少任务在最低可接受成本下稳定闭环。
这次发布真正改变了什么
DeepSeek V4 Flash 正式版并没有证明“参数不重要”，也没有证明 Flash 已经全面超过 Pro。它证明的是另一件事：在架构不变的前提下，后训练可以大幅改变模型在工具环境中的行为；而进入 Agent 场景后，Harness 与推理预算又会继续放大或压缩这种能力。
过去我们习惯用参数量给模型排座次。现在更有用的问题变成了：同一个任务，在什么 Harness、多少思考 token、几次工具调用和多少美元之后，模型能够稳定完成？
V4 Flash 名字里仍然有一个 “Flash”，但它已经不再只是速度档。它正在变成默认执行层——不是因为它永远最聪明，而是因为它开始有能力把足够多的任务，以足够低的单次成本跑完。
本文数据查询于 2026 年 8 月 3 日。API 价格、排行榜和公测状态会变化；部署或选型前应重新核对 DeepSeek API 文档、模型卡与独立评测页面。