DeepSeek V4 Pro 正式版深度实测：从 1M 上下文到 Agent 实战，把国产编程大模型的真实水平测到底

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

DeepSeek V4 Pro 正式版（模型号 DeepSeek-V4-Pro-0813）在 2026 年 8 月 12 日晚低调上线，把上下文窗口开到 100 万 Token、最大输出拉到 384K Token，Agent 能力也补到了行业第一梯队：官方跑分里终端编程基准 Terminal Bench 2.1 拿到 87.9 分，跟国外头号选手只差 0.1 分；多项 Agent 类基准超过同期国外旗舰。价格延续地板价策略，输出每百万 Token 只要 6 元，约为国外顶级模型的三十分之一，再叠加接近 99% 的缓存命中率，实测一整轮 7 类编程任务只花了约 5 元。不过跑分漂亮不等于上手好用，本文用 7 类真实项目从简单前端动画测到全栈产品：后端逻辑和工程严谨度让人放心，前端审美和交互是明显短板，而且它没有视觉理解能力，写完页面没法自己看图验收，这是国产纯文本模型普遍要补的一课。

想看完整拆解，往下翻。

一、低调上线的旗舰，正式版补上 V4 系列最后一块拼图

8 月 12 号晚上，DeepSeek 没有开发布会，没有官宣长文，直接更新了官网的 API 文档和定价页，DeepSeek V4 Pro 正式版就这么上线了。我用 deepseek-v4-pro 这个模型名试着调了一下，base_url 还是原来的，老用户不用改任何配置就能直接用。

我特意去翻了官方文档和定价页，把这次更新的要点整理成了下面这张表，方便刚上手的朋友一眼看清：

有两件事值得先说清楚。一是这次发布的时间点很巧，当晚国外 Grok 4.6 也在赶着上线，两边撞了个满怀，被不少人拿来打趣。二是 V4 Pro 的定位和 Flash 明显是错开的：Flash 走量、便宜、并发给到 2500，适合高频轻量的场景；Pro 走质、并发只给 500，适合复杂推理和长上下文任务。官方的意思很明白，同一套 V4 架构，一个负责跑腿，一个负责啃硬骨头。

这次其实算是 V4 系列的收官。7 月底 Flash 版转正，8 月 Pro 版跟上，两个型号凑齐，DeepSeek 把"日常干活用便宜款、复杂任务用旗舰款"这套搭配算是立住了。

把时间线拉长看，DeepSeek 这半年的节奏很有章法：4 月放预览版探路，7 月 Flash 转正跑量，8 月 Pro 收官，一步步把 V4 系列补完整。对开发者来说，这一串动作更像一个信号——低价、高能的国产模型，正在把"把编程交给 AI"这件事的门槛压到很低，几乎人人摸得着。

我这次拿到正式版，没急着调接口，先把规格里的几个硬指标挨个过了一遍。数字这东西，单看容易没感觉，得落到写代码的真实场景里才有意义。1M 上下文能装下什么？384K 输出一次能吐多少东西？思考模式和非思考模式差别在哪？双接口兼容到底方便了什么？这几个问题想清楚，才算真正看懂这款模型值不值得用。

先确认一下你是不是它的目标读者。天天写代码的开发者、想把手头小工具用 AI 重写一遍的产品爱好者、公司里负责技术选型的人，这几类人最该往下读——模型的规格、跑分、价格和短板，直接影响你的日常决策。纯看热闹的朋友也欢迎，文章里的实测过程本身就有不少可以借鉴的评测思路。

二、1M 上下文和 384K 输出，落到写代码上意味着什么

1、长上下文真正解决的是"整包"意识

先说上下文。100 万 Token 的窗口，换算下来大概能装下好几本厚书的文字量，放到代码场景里，一个中大型项目的主要源码、几十个文件的内容，可以一次性全部喂给模型。

这件事对 AI 编程的影响很直接。以前模型往往只能"看着眼前这一小段"改代码，稍微牵扯到别的文件，要么靠人手动把相关代码贴进去，要么就靠模型自己瞎猜。窗口一打开，模型能同时"看到"项目里互相牵扯的几块代码，改一个函数的时候会下意识去照顾调用它的地方、依赖它的数据结构，跨文件的逻辑一致性就有保障了。我自己跑长任务的时候体会特别深：模型在几十个文件之间来回翻，几乎不需要我来回提醒它"别忘了那边的逻辑"。

大窗口还带来一个隐蔽的好处，是对老代码的"善意理解"。模型读得懂整个项目的来龙去脉之后，会主动沿用你已有的命名习惯、封装风格、目录结构，新代码跟旧代码长得像一家人，没有那种一眼就能看出来的外来户生硬拼接。这一点在接手别人的项目、或者维护一段历史代码时，体验提升特别明显。

当然，窗口大也有窗口大的代价。上下文拉长，每次请求的输入量跟着变大，按常规计价是一笔不小的开销；输入太满，模型处理超长内容时也更容易"注意力被稀释"，前面塞的东西太多，反而把该留意的重点给冲淡了。所以长上下文更像一个保险——平时用不上，等你让它啃整个项目的源码、做跨文件的批量重构时，它兜得住底。至于费用这块，DeepSeek 靠极高的缓存命中率把增量成本压得很低，这个后面聊成本的时候再细说。

2、384K 输出解决的是"一次性交付"

最大输出 384K Token 这个参数，很多人容易忽略，但它对编程同样要紧。输出窗口决定的是模型一次最多能吐多少东西。

举个例子，以前让模型重构一个模块，它一次只能输出几百行代码，遇到大工程就得拆成好几轮，每轮之间还得自己想办法保持状态。现在输出窗口拉开，模型可以一次性把一整套文件结构、完整功能模块写出来，生成整站的前端工程、一整页带样式的组件，都不用分几次来。对做全栈生成类工具的人来说，这个提升很实在。

放到实际使用里有个典型场景：改一个前端页面的整体风格。以前得跟模型说"先改导航栏""再改按钮""再调配色"，一步一确认，改完这步忘了上一步的承诺是常事；现在你可以把整页的需求一次讲清楚，让它把样式文件、组件结构、交互逻辑一口气重写出来，改动的整体性比挤牙膏式重构强太多。输出窗口的大小，某种程度上决定了你一次能交代多大的事。

3、双模式和双接口，配起来才是完整形态

正式版支持思考模式和非思考模式两种形态，默认开思考。简单说，思考模式就是让模型多"想一会儿"再回答，复杂推理任务更稳；非思考模式图快，适合简单问答和快速生成。写代码这种讲究准确度的活儿，一般开思考模式更省心，代价是慢一些、token 费一些。

接口层面，这次 Pro 和 Flash 完全一致：支持 Responses API，还兼容 Anthropic API 格式。这句话的信息量其实不小——市面上主流的 AI 编程工具和 Agent 框架，不少都认 Anthropic 这套接口，DeepSeek 直接兼容了，等于把自家模型塞进了现成的一众编程工具里，改个 base_url 就能用。我这次测试就是把它接进了 Codex 命令行工具来跑，流程很顺。

给你看个接入的样子，不同工具的配置写法大同小异，要点就是改地址、改模型名、填密钥。以某个支持 Anthropic 接口格式的编程工具为例，思路通用：

export ANTHROPIC_BASE_URL="https://api.deepseek.com/anthropic"   # 指向 DeepSeek 的兼容端点
export ANTHROPIC_AUTH_TOKEN="sk-你的密钥"
export ANTHROPIC_MODEL="deepseek-v4-pro"

思考模式有一个细节值得单独拿出来说。它默认开启，对复杂任务确实友好，但思考过程产生的 token 是按输出价格计的，比输入贵出一大截。如果任务本身简单直接，比如改一段文案、写一个一次性脚本，完全可以手动切到非思考模式，速度更快、账单更小。我用下来的习惯是：拿不准任务难度时先开思考模式保质量，摸清套路之后再降档省钱。

这一套组合下来，我个人的判断是：规格上的纸面功夫，V4 Pro 这次是真的给足了，跟国际头部模型的差距已经小到可以忽略。规格归规格，真正的考验还在后面——跑分到底靠不靠谱，实际写代码到底好不好用。

三、官方跑分表，到底能信几分

1、先看基准全景

DeepSeek 官方放出的对比数据，我整理了一下，跟 4 月放出的预览版相比，Agent 类指标的提升幅度可以用"换了个模型"来形容：

这几个基准里，跟 AI 编程关系最直接的就是 DeepSWE 和 Terminal Bench。DeepSWE 考的是模型能不能独立把软件工程任务干完，Terminal Bench 考的是模型在真实终端环境里跑命令、改代码、验证结果这一整套流程。这两项的提升幅度最大，方向上正好踩在 Agent 编程最吃紧的能力上。

外行看热闹，内行看门道。这组数字里还藏着一个信号：提升幅度最大的几项，指向的是同一种能力——带着工具进到真实环境里，把一件多步骤的活从头做到尾。预览版到正式版，官方没把力气花在"多背几道题"上，重心放到了"更像一个能干活的人"上。方向对了，比分数涨了多少更让人安心。

2、跟国外头部模型摆在一起看

再往上对标。Terminal Bench 2.1 这一项，V4 Pro 拿了 87.9，而国外顶级模型 Claude Fable 5（Anthropic 今年 6 月发布的旗舰）是 88.0，就差 0.1 分。AutomationBench 和 Cybergym 两项，V4 Pro 甚至反超了 Fable 5。放到纯知识类的 HLE 考试上，V4 Pro 的 42.7 对 Fable 5 的 53.3，差距还挺明显，不过 HLE 考的是百科知识加通识推理，跟日常写代码的关系不大，真正决定编程体验的还是 Agent 和 Coding 那几项。

这里也想跟只看单一跑分的读者说一句：选编程模型，别被知识类基准带偏。一个百科知识得分很高的模型，写代码可能一塌糊涂；反过来，Agent 类基准强的模型，才是真正能在终端里帮你干活的那个。看分数之前，先弄清楚这个分数到底在测什么，比记住一个数字有用得多。

需要提醒一句的是，Claude 是境外模型，使用需要遵守国内网络与内容管理的相关规定，这里只是拿公开跑分做个横向参考。

这里把 Terminal Bench 单独拎出来讲两句，因为它是这次对比里最有看头的一项。它不考"会不会写一段代码"这种单点能力，重点放在"能不能在真实终端里，自己把一整件多步骤的编程活从头干完"——开环境、跑命令、改代码、验结果、再迭代。这套本事正好对得上 Agent 编程的需求，比单纯比谁生成代码多更有参考价值。V4 Pro 能在这项上把差距缩小到 0.1 分，说明它的这套执行流程已经相当成熟，不是只会接话的聊天机器人。当然也得记住，这个数字出自 DeepSeek 自家环境，含金量几何，还要看第三方复测怎么说。

顺带算一笔粗账。V4 Pro 输出每百万 Token 6 元，国外另一家头部旗舰大约是它的三十倍，再往上还有更贵的档位。这么算下来，同样一次 API 调用，这边花一块，那边可能花几十块。这个价差对靠 API 跑量的开发者来说，就是天和地的区别。价格是动态的，官方已经预告要涨价，具体数字以各家定价页为准。

单看这组数据，V4 Pro 确实坐上了国产模型的头把交椅，跟世界顶级的差距收窄到了"肉眼几乎看不出"的程度。

3、社区泼的冷水，也别当没听见

跑分表漂亮归漂亮，看的时候得带上三个问号。

一是这些基准基本是 DeepSeek 自家环境测出来的，官方没有放出完整的评测报告，DSBench 这类名字里就带"自家"属性的测试，公允性难免被质疑。二是第三方机构的实测跟官方口径并不完全一致，有开发者拿它跟 Luna MX、Kimi K3 横向比过，结论是 0813 大约落后 Luna MX，跟 Kimi K3 互有胜负，并没官方宣传得那么一边倒。三是有不少用户反馈，长时间连续跑任务时，模型偶尔会出现提前停止、反复思考、输出质量忽高忽低的情况。

把官方数字和社区质疑放在一起，我的结论是：跑分可以当作能力上限的参考，但模型好不好用，必须得拿到真实项目里验一验才知道。这也是我这次老老实实搭环境、跑 7 类项目的原因。跑分是别人定的考卷，真实项目才是自己的考卷。

这里也给你一个看跑分的小清单，下次任何厂商发新模型，都能照着把把关。先看基准是不是第三方独立复测的，还是厂商自家环境自卖自夸；再看分数对应的评测方法有没有公开，考的是什么任务、怎么计分；再找找有没有人用真实项目做过对比，社区口碑比官方海报更可信；把分数和价格放一起掂量，便宜的一线水平，往往比昂贵的一线水平更值得关注。跑分不是不能用，是要带着这四条去看，才不会被数字带着走。

四、Model + Harness = Agent，为什么裸模型跑分不等于上手好用

聊实际体验之前，得先把一个概念讲清楚——Harness。

1、什么是 Harness

很多人以为"模型强，Agent 就强"，其实中间还隔着一层工程。Harness 直译是"缰绳"，在 AI 编程语境里，指的是把模型能力真正落到真实环境里的那一整套工程：负责调用工具、读写文件、管理上下文、处理报错、决定下一步，让模型能把一件多步骤的事从头干到尾。

拿做饭打比方，模型是那个知道菜谱的厨师，Harness 是那一整套厨具、灶台、备菜流程，以及"下一步该干什么"的执行清单。厨师再会做菜，光凭一张嘴也端不出成品，得靠后厨的整套体系跑起来才行。DeepSeek 官方给过一个很直白的公式：Model + Harness = Agent，模型加上执行框架，才等于真正能干的智能体。

再给刚接触 AI 编程的朋友补一句大白话：你平时用的那些编程工具，底层基本都是"模型加执行框架"的组合。模型负责想，框架负责做。你想让 AI 干活，一半是在跟模型对话，另一半是在跟框架的规则打交道——它让你点什么、每步要不要确认、出错怎么处理、失败要不要重试，全看框架怎么设计。想明白这一层，很多"同一个模型换个工具就表现不一样"的困惑，一下就通了。

2、为什么 Harness 对结果的影响这么大

这里有个很能说明问题的数据。同一款 Claude Fable 5 模型，搭配 Anthropic 自家的 Claude Code 框架，在 Terminal Bench 2.1 上能跑到 83.8 分；换成第三方框架 Terminus 2，立刻掉到 80.4 分。同一个模型，只换执行层，分差就有好几个点。这么看，你看到的高分，一半是模型的功劳，另一半是执行框架的功劳。

这个规律对任何模型都成立，不是国外那几家的专利。所以 DeepSeek 只发布模型、不配套发布执行框架，等于把最后一步拼图留给了用户和第三方工具——你能发挥它几成功力，很大程度上取决于你把它塞进哪套执行环境。同一个人，同一个模型，换一套顺手的环境，产出可能完全两个样。

把整个关系画出来，就是下面这张图的样子：

flowchart LR
    A[你提目标] --> B[模型规划步骤]
    B --> C[调用工具]
    C --> D[读写文件 / 执行命令]
    D --> E[检查结果]
    E -->|没跑通| B
    E -->|验证通过| F[交付成果]

这个循环跑得快不快、稳不稳，全靠 Harness 撑着。DeepSeek 这次把模型这一半交出来了，但它自研的 Harness 还没对外放出来，官方跑分里用的那套内部环境，用户是拿不到的。既然官方不给，那就自己搭一套。这也是我（莫潇羽@无忆研习社）这次测试里最花功夫的部分。

3、各家工具的执行层，脾气差很多

市面上的主流工具，执行层各有各的性子。有的工具偏向交互式权限审批，每一步动手之前都先问你一声，让人安心，代价是慢；有的工具讲究沙箱优先，默认把任务隔离在独立环境里跑，适合无人值守的批量作业；有的工具把验证环节做得很重，带浏览器、带视觉验收，模型写完东西能自己"看一眼"；还有的开源工具主打多模型通吃，谁家的模型都能接上。

这些差别落到日常使用里，就是那句老话的具象化——同一个模型，换了个工具，效果可能天差地别。所以我挑工具的时候，会先想清楚自己习惯哪种交互、任务是什么类型，再反推需要什么样的执行层，别一上来就问"哪个模型最强"。执行层选对了，往往比纠结模型榜单更能提升实际体验。

五、想亲手测一个编程模型，评测环境该怎么搭

跑分是别人定的考卷，我们要测的是"这台模型在我手里好不好使"，那评测环境就得自己搭。我把整套做法拆开讲，你以后拿到任何新模型都能照着重来一遍。

1、先定评测角度，再想怎么测

我测编程模型，一般从五个角度下手，每个角度对应一类任务：

这五个角度不是拍脑袋定的。前端还原度测的是审美和细节，这恰恰是纯文本模型的死穴；物理与声音测的是模型对真实世界的理解，骗不了人；全栈工程测的是把碎片拼成产品的整合能力；并发与严谨测的是边界意识和系统思维；长程稳定性测的是几十万行代码面前会不会中途跑偏。每类任务背后，都对应一个具体的问题：这个模型的某项能力，到底能不能落到真实交付上。测的时候还有个纪律，同一道题尽量用同一份提示词，只在模型这个变量上做替换，结果才有可比性。

2、自建 Harness，我主要做了四件事

环境上，我没有沿用官方的评测配置，按自己的需要另搭了一套。统一起跑线是第一件事：所有任务走同一个启动脚本，推理档位保持一致，每个任务单独一个目录、单独一个端口，互不干扰。这样测出来的结果才公平，也方便复现。

接着是替模型装一双"眼睛"。这次要测的是纯文本模型，看不了图。我就让脚本替它抓浏览器的控制台报错、网络请求和页面 DOM 断言，出了问题先自动记录，再存截图供我人工核对。模型看不到自己的作品，那就用工具帮它"看"，把"看不见"的短板用工程手段补上。

Token 计费这块要能对账。任务执行过程中的事件流，我完整存成了 JSON 文件，按官方定价逐项结算，测试前后再各查一次账户余额做交叉验证。这样报出来的成本，每一分钱都查得到去处，不会糊里糊涂报个总数就完事。

还有看门狗机制这一道保险。单个任务给 90 分钟上限，超时直接强杀，跑挂了也不重跑。宁可样本少一点，也要保证数据干净，不然一个卡死的任务会把整轮测试带偏，前面的功夫全白费。

整套逻辑写出来大概就是下面这个伪代码的样子：

function run_task(任务描述) {
    启动独立目录和端口
    循环直到完成或超时 {
        让模型执行一步，记录事件流
        if (验证器发现问题) 记录问题
        if (超过90分钟) 强制终止
    }
    按官方定价结算本次 Token 费用
    用账户余额交叉验证账单
    输出验收结论
}

准备工作做完，我把 8 次执行一次性并行丢了出去，全程不人工干预，跑完再一个个验收。这一步很省心，也是我坚持把环境做踏实的原因——测试本身的自动化程度越高，测出来的结果越能反映模型自己的真实水平，跟我的操作水平没多大关系。

这套流程走下来，还有两条测试纪律值得单独记一笔。一是结果别急着信，同一道题多跑一两遍看看稳定性——有些模型第一遍是运气好跑通的，第二遍就露馅，单次结果里藏着太多偶然。二是别把"能跑通"和"好用"混为一谈，跑通只是及格线，交付物的完成度、可维护性、审美水平，才是拉开差距的地方。测评最怕样本太少，把偶然当成了必然。

3、为什么偏要自己搭，不直接看官方数据

原因前面提过：官方那套 Harness 没开源，官方跑分用的是自家环境，跟你手里这个工具跑出来的是两码事。再加上"模型本体强不代表终端体验好"这个规律，任何人想认真评估一款模型的编程能力，都绕不开这一步——要么自己搭，要么找一个靠谱的第三方工具，不能只拿官方表上的数字下结论。

这套评测思路，不只对 DeepSeek 有效。以后任何新模型发布，你都可以拿同一套角度、同一套流程去跑一遍：规格看纸面，跑分看第三方复测，体验看真实项目，成本看自己的账单。把评测做成一个能反复使用的流程，别每次临时抱佛脚，你对模型的判断力就会慢慢超过那些只会转发官方海报的人。模型榜单更新得比你的关注还快，靠别人给的结论，永远慢半拍；自己手里有一把尺子，才跟得上这个节奏。

针对纯文本模型，评测里还有个绕不开的问题：它看不了图，前端效果好不好，自己判断不了。碰上这类模型，验证就只能靠外部工具兜底——抓报错、查 DOM、跑断言，再人工过一遍截图。这套做法成本不低，也是不少团队测前端能力时干脆只拿有视觉能力的模型来对比的原因。我这次的方案是给所有任务统一套上这套验证流程，保证口径一致，宁可多花点时间，也不让验证标准参差不齐。

环境搭好，7 类项目挨个开跑。

六、7 类项目实测：每一类到底在测什么

这一节是文章的重头戏，我把 7 类项目按从简单到复杂排了序，每一类都说说它考什么、结果如何。

开跑之前交代两句。这一节里每个项目，我都用同一套提示词、同一个执行环境跑，只换模型这一个变量，这样对比出来的结果才有意义。每个项目我都会拿两把尺子去量：一是它到底能不能自己独立做完，中途需不需要人救场；二是交付的东西，离"能直接给人用"还差多远。能不能跑通，和好不好用，是两回事。

1、前端交互动画：最容易露怯的一关

第一类，让模型做一个用交互动画讲解知识点的页面，内容要求先联网查证、做完自己验证、不满意自己改。

这一关专治"模型自己觉得自己写得很棒"的毛病。动画做起来，文字溢出边框、元素错位、交互稀烂这些问题，代码层面不报错，但人一眼就能看出来。

提示词里我专门要求它先联网查证知识点、做完自己验证效果、不满意就自主调整，改到满意再交付。这套要求对纯文本模型是个坎：它连自己成品长什么样都看不到，"自主调整"多半只能靠猜，结果自然就是敷衍了事。能不能把"自我验收"这一环做好，直接决定了这类任务的下限。

这版的表现可以说是灾难级：动画简单到敷衍，示意图的节点连线明显错位，文字溢出更是从头到尾都在。同类的题目，国外头部模型做出的效果是背景飘着光点、讲解动画顺滑、还自己加了随堂测验题的完整知识站。两相对比，前端这块的差距是一眼就能看穿的。

我的评价是"拉"。前端动画这一关，V4 Pro 没过。

这里顺便分享一个我判断前端好坏的土办法：把页面缩到很小，或者快速扫一眼缩略图。好的设计在缩略图上也经得住看，布局重心、留白、层次一眼就能分辨出来；差的设计一缩小就露怯，内容全堆成一团，说不上来哪里不对，就是"不对"。这版的问题恰恰在缩略图阶段就暴露了——整体就是个内容堆在一起的样子，谈不上设计。这个土办法对后面几个项目也一样好用，算是个通用的前端质检小技巧。

2、3D 场景：考验对渲染库的理解

第二类还是讲同一个知识点，这次换成 3D 场景。要求模型联网查证，再用工具查所用 3D 库的最新文档，避免用过时的 API 写代码。

这一关考的是模型对第三方渲染库的理解深度。3D 库的接口五花八门，版本迭代又快，写错一个 API 参数整个场景就废了。所以提示词里我特意要求它先去查一下所用 3D 库的最新文档，别拿过时的接口硬写。

结果比上一类好不少：科技风配色、背景粒子效果、面板交互、3D 模型旋转缩放都正常，也没有卡顿，工程里的分块注意力机制还做了可视化连线。整体框架搭起来了，但跟同类题里国外模型的成品比，精致度还是差一截，少了那种让人眼前一亮的感觉。这一关也提醒我一个规律：碰到用第三方库的活，模型会不会主动查文档、用对版本，往往比它本身的代码能力更影响结果。

我的评价是"NPC"。能用，但没惊喜。

3、物理加声音的小游戏：纯文本模型的天花板试金石

第三类，做一个模拟传统竹制发声玩具的小游戏。一根竹签串着一片薄竹片，手一搓就高速旋转，切割空气发出类似蝉鸣的声音。这个玩具效果好不好，只能靠耳朵听、凭手感玩，代码写得再漂亮也没用。

这一关对纯文本模型尤其不友好：物理引擎的旋转手感、实时声音合成的音色，全是没有标准答案的体验指标，模型既听不到也摸不到，只能凭直觉猜。这种"只能靠