7月到8月，大模型沙场战鼓频催，而过去的一天则堪称“疯狂星期四”。
8月12日晚间，国内外大模型厂商迎来新模型“三连发”：DeepSeek API文档中出现DeepSeek-V4-Pro-0813，V4-Pro正式版静默上线；Grok 4.6发布，纸面测评得分逼近Fable 5；参数规模达2.4T的Qwen3.8 Max也如期开放权重。另据记者了解，智谱（HK2513）新模型GLM 5.3也已接近发布，DeepSeek-V4-Pro先行一步。
不过，V4-Pro正式版的发布在24小时内经历了“一波三折”。
模型上线数小时内，社区实测陆续出现异常反馈，本应进行长推理的V4-Pro，思考时间经常不足十秒，长流程任务频繁提前收尾，部分场景表现甚至弱于V4-Flash。8月13日凌晨，有开发者用同一任务间隔几小时先后测试，结果差异悬殊，怀疑服务端进行过配置调整或版本切换。
8月13日白天，官网首页通知与开放平台公告一度撤回，API文档页面里的版本名则一直显示DeepSeek-V4-Pro-0813。有业内人士注意到，思考强度分档8月11日就已在API文档里列出，13日下午思考模式页有过一次修订。
当日晚间，DeepSeek发布推文官宣V4-Pro正式版于网页端、App及API全线上线，并同步公布了调价方案。官网首页通知恢复，官方更新日志中也首次出现了8月13日的相关条目。官方并未就上述变动及凌晨时段的服务波动作出说明。
此前虽有过大幅涨价预告，但调价方案中的涨幅依然超出部分用户的预期。此次调价将于8月17日0时生效，调整后将实行分时定价，高峰时段输出价格升至27元/百万tokens，为现行价格的4.5倍；缓存未命中价格升至9元/百万tokens，为现行价格的3倍；缓存命中价格则大幅上调至0.30元/百万tokens，为现行价格的12倍。空闲时段价格统一为高峰时段的一半。
此外，在8月13日晚间V4-Pro正式版官宣一个多小时后，DeepSeek Harness（DSH）终于单独落地。DSH团队的“黑鲸”公众号发布公告，宣布以“开发者预览版（v0.1 版本）”名义，面向全球开发者开放测试，并同步以 MIT 协议开放源代码。
发生了什么？
V4-Pro正式版上线后的这一连串波折，背后究竟发生了什么，又意味着什么？
社区中对此众说纷纭，有人怀疑官方临时发错了模型版本，有人推测部署出现了问题，有人猜测V4-Pro的表现未达预期，暂时撤下以待后续满血版上线。
有业内人士向记者分析，这一系列迹象更像是发布环节出现了问题，当晚线上服务状态大概率发生过变动。外部目前无法确认此前调用到的是首发版本、回退版本还是修复后的版本，在官方说明版本状态之前，不同时段的实测结果之间缺乏可比性。
在该人士看来，晚间的官宣反过来坐实了白天的撤回，撤的是发布仪式，调用入口一直没动。分档参数早就写在文档页上，前一夜的问题是行为没跟着档位走，本该长思考的请求思考不起来。晚间官宣把“更灵活的思考强度控制”写成卖点，对照之下，指向的还是服务端配置。
新加坡无限对齐创始人、Codex生态合作伙伴宋斐对记者表示，这里叠着三件不一样的事：深夜切API流量，白天撤页面公告，晚间把官宣、价目和思考开关补进同一套话术。流量最难退，因为第三方已经接上；页面和公告则随时能撤能发。API名称从头到尾没有动过，第三方平台也没有发V4-Pro下线通知，能确认撤掉的，只有官网通知和开放平台公告。
他分析，版本号和官方跑分都没变，说明没有换过权重。模型本体若有问题，官方不会只撤页面，API也会一起下。问题更可能在部署配置和配套节奏。他强调，正式版身份的确认和对标Fable 5的能力验证是两件事，前者在13日晚间完成了，后者要等第三方拿着刚开源的DSH在固定版本上复测之后才有答案。
评价褒贬不一
此前，7月31日上线的DeepSeek-V4-Flash正式版，因为出人意料的性能跃升和极致性价比而收获如潮好评，其祭出的大模型“斩杀线”也抬高了外界对V4-Pro正式版的期待。
但V4-Pro正式版上线后，市场评价却呈现分化：有用户认为其已达到Fable 5级别，也有用户表示失望。
从DeepSeek官方公布的评测结果来看，V4-Pro正式版相较此前V4-Pro预览版实现代际提升，并整体优于V4-Flash-0731。
而与前沿模型相较，从官方测评结果看，V4-Pro在执行类任务上已追平Anthropic前沿模型，但在基础智能上仍存在一定差距。
具体来看，在考察终端操作能力的Terminal Bench 2.1测试中，V4-Pro-0813得分87.9，与Fable 5的88.0仅差0.1分，高于Opus 4.8的85.0分；在考察真实世界长周期（883436）工程任务能力的DeepSWE测试中，V4-Pro得分62.7，低于Fable 5的70分，但高于Opus 4.8的58.0分。
相比之下，在考察基础智能的HLE测试中，V4-Pro-0813得分42.7，低于Fable 5的53.3分和Opus 4.8的49.8分；在考察仓库级长程代码生成能力的NL2Repo测试中，得分比Opus 4.8低8.2分。
根据美国研究机构Artificial Analysis最新独立评测，V4-Pro-0813的智能指数为53分，低于Fable 5的62分、Grok 4.6的61分、Kimi K3的60分和GPT-5.6 Terra的57分；同时，仅比V4-Flash-0731的50分高1分，与6月发布的GLM-5.2大致处于同一档位。有业内人士以“不及预期”形容其基准测试表现。
目前V4-Pro-0813的官方跑分尚未得到第三方复现。根据社区在8月12日模型上线后的即时反馈，V4-Pro-0813处理复杂任务的完整度有所提升，但与V4-Flash的差距并没有想象中大，甚至在某些编程任务中不如V4-Flash，整体表现没有超出预期，且不同时段的表现差异明显。“以Flash数倍的参数做出来的模型不该是这样。”有开发者指出。
与此同时，社区反馈显示，将DeepSeek-V4-Pro API接入Claude Code后，实际体验不及预期；而接入OpenCode后，表现则明显改善。
对于上述落差产生的原因，宋斐认为更多来自接入协议，而不是模型忽强忽弱。V4-Pro正式版新增支持 Response API 和 Codex 接入，对已经在用Codex的团队，路径比走兼容层短，行为也好控一些。同一模型换框架，分差往往出在协议：推理状态回不回得全、工具预算谁说了算、并行能不能关，在长任务里这些差异会被放大。
随着8月13日晚间DeepSeek Harness预览版的推出，上述模型能力与实际体验之间的落差，有了可以验证的环境。
至于8月12日上线当晚社区反馈的思考时间过短、任务提前收尾现象，宋斐认为，这从工程上看更像推理服务的配置问题：思考模式有没有真正打开、预算如何映射到服务端。权重在几小时里反复换的概率低。
宋斐注意到，思考分档8月11日就在文档里，13日下午思考模式页有过一次修订，正好卡在凌晨异常之后、晚间官宣之前。这个顺序和前述配置层修复的判断对得上，13日晚间的官宣公告等于把修过的这层收进了正式说明。“测试V4-Pro要显式指定思考档，默认档的结果参考价值有限。在官方把版本状态说清楚、外界能对着固定版本复测之前，建议先不要给模型本体下判语。”
调价后“斩杀线”还在吗？
眼下，V4-Pro正式版相比于拼智能上限，更硬的仍是性价比。
根据8月17日前的现行价，其调用费是V4-Flash的3倍。Artificial Analysis测评显示，V4-Pro每项智能指数任务的加权平均成本为6美分，是V4-Flash-0731的2倍，不到Fable 5的1/50，约为Kimi K3的十四分之一。不过，其成本已高于GPT-5.5 Luna的5美分。
调价后，按高峰时段计算，V4-Pro的缓存未命中输入价格仍约为Kimi K3的45%，相较海外旗舰模型依然便宜数倍。
宋斐指出，这轮调价中上调幅度最大的是缓存命中价格，从0.025元/百万tokens涨至高峰时段的0.30元/百万tokens，涨至原价的12倍。靠高命中压成本的长上下文Agent，成本压力将显现。而高峰时段输出价格则变为原价的4.5倍，也高于市场此前约3倍的预期。要建成本基线或做批量压测的团队，得在8月17日零点调价前做完。
在宋斐看来，此次V4-Pro正式版对按任务计费的Agent交付冲击更大，而对按智能上限计费的市场而言冲击相对有限。这还只是DeepSeek第一轮往Agent方向训练，后面仍有空间。
“从初步接入和社区反馈看，V4-Pro正式版适应性强，稳定性差。同一道题跑十次，一条轨迹很好，下一条出低级错，平均分没太大意义，多路尝试再加外部筛选，才是用法。现阶段要稳的团队可以继续用V4-Flash正式版；评V4-Pro，放在协议对齐的环境里，等版本状态稳住再下结论。”宋斐表示。
后训练跑通了，但短板也在后训练
V4-Flash和V4-Pro的正式更新，都是底座不变，仅通过后训练提升Agent能力。这也让后训练的重要性再次成为行业关注的焦点。
4月24日发布的V4系列预览版中，V4-Flash总参数规模为2840亿、激活参数130亿，V4-Pro总参数规模为1.6万亿、激活参数490亿，均采用MoE（混合专家）架构，并支持100万tokens上下文窗口。
7月31日，V4-Flash正式版上线。官方表示，在模型架构和参数规模均不变的情况下，仅通过后训练实现Agent能力提升。在DeepSWE测试中，V4-Flash正式版得分从预览版的7.3跃升至54.4。
两周后，V4-Pro正式版上线，同样没有更换模型底座，通过后训练将DeepSWE得分从12.8提升至62.7。
“这说明DeepSeek的后训练已经成体系，而且能在不同规模的底座之间复用，前提是两套底座吃的是同一套数据。”宋斐表示，“预览版分低，我一直不认为是能力不行。能力在权重里，只是还没被训到Agent任务上。后训练做的事，是把执行环境的任务分布写进权重。”
不过，V4-Pro正式版的总参数规模是V4-Flash的5.6倍、激活参数是3.8倍，却没有带来等比例的分数优势，也引发业内关注。在Artificial Analysis的智能指数评分中，V4-Pro-0813也仅比V4-Flash-0731高出1分。官方测试中，V4-Pro-0813的ALE也只高0.5分，Toolathlon高3.8分，DeepSWE、DSBench-Hard这类高难任务高7到8分。
“Pro的价值主要堆在高难任务、知识密集诊断和长链条恢复。”宋斐表示，两款模型分工也清楚：Flash铺量，Pro啃难题、接失败，二者并非替代关系。
开发者Jun Song则直言：“中国模型公司在小模型上表现得异常出色，例如Qwen 27B、V4 Flash和GLM-5.2，但到了更大的旗舰模型，能力提升往往没有随着参数同步放大。”他认为其原因“也许是训练算力不足”。
对DeepSeek而言，后训练作为Agent能力提升路径已经得到验证，但模型能力要继续向上突破，后训练也是其短板，训练素材不足的问题正在凸显。
“第三方用极简框架测出V4-Flash正式版的分数能和官方分数打平，说明这轮增益已经写进权重，自家积累的可验证任务，模型基本学透了。同一批任务反复训练，收益会递减，继续提升需要更宽的任务来源。这也是他们同步推公共Harness的原因。”宋斐指出。
Harness单独发布，显示分量
海通国际近期研报指出，模型竞争正从参数规模转向后训练与系统工程。未来模型实际效果将越来越取决于“模型＋Harness＋工具＋数据”的整体组合，单纯依靠基础模型能力建立壁垒的难度继续上升。
在宋斐看来，DeepSeek Harness不只是开发工具，也是标准接口和数据入口。在条款允许的范围内，开发者跑长程任务留下的轨迹和纠错，可以回流训练。谁占住开发框架，谁就相当于让付费用户帮自己做强化学习里最贵的那一段。
因此，8月13日DSH预览版的发布及其后续反馈与进展，尤其值得关注。
在发布的公告中，DeepSeek提出了DSH“一切皆插件”的设计理念。其采用插件式开放架构构建Agent Harness，模型、工具、技能、会话、沙箱、存储、循环、调度、UI等所有Agent能力均由插件组合而成，可自由替换、灵活重组。
同时，DSH提供四种运行模式——标准模式、PTC模式、极简模式、创造模式，各模式默认加载不同的插件集合。其中“极简模式”仅保留一个shell工具与一个文件编辑工具，官方称是用于最小环境下的模型基准测试。这意味着，第三方复现官方评测分数的环境条件已经具备了。
此外，模型看到的一切，都会写入仅追加（append-only）设计的会话日志，包括系统提示词、思维链、工具调用与结果、子Agent调度，以及每一次上下文注入。在 Trajectory 视图中，可以按来源查看这些信息。恢复、分叉、检索与回放也都共享同一份事件流。
宋斐认为，DSH预览版的架构，把模型在DSH里做成插件，与工具、沙箱、界面并列，可替换。也就是说运行时是主体，模型是其中一个部件，“这个位置由模型厂自己排出来，分量不一样”。
更进一步，他指出，轨迹这层，会话日志记全了模型看到的一切，但记录不等于判定，事件流里还看不到步骤级的对错标注，预算、允许集和停止条件也没有成为产品。对高方差模型，运行时的价值一半在让模型发挥，另一半在让它停得下来。v0.1版本把发挥的一半搭起来了，停的那一半还空着。
DeepSeek Harness终于真的对外开放了，而模型在这之前的24小时里，经历了静默上线、首页公告撤回、晚间再官宣的过程。一边是波折的模型发布，一边是单独成篇、开源开放的运行时发布，两场同天上演，轻重自见。V4-Flash与V4-Pro正式版与其说是“价格屠夫”的又一次亮剑，不如说是这条线的起点。
