DeepSeek V4-Pro深度解读：Agent能力升级、跑分实测与API涨价全分析

8月13号晚上，DeepSeek官方账号宣布 DeepSeek V4-Pro 正式上线，距离上一次的 V4-Flash 仅仅相隔两周。这次官方推文里主要传递了三件事：Agent 能力大幅升级、推理力度分三档可调、原生支持 OpenAI 的 Responses API。不过同时，还带来一个不太妙的消息——8月17号零点起，API 将全面涨价。

本文将结合官方跑分数据和第三方博主的分析，梳理 DeepSeek V4-Pro 到底强在哪、又为何说它「强归强、但没到碾压」。

DeepSeek V4-Pro 的三大核心升级

此次 V4-Pro 的核心卖点集中在 Agent 场景。Agent（智能体）是指能够自主感知环境、制定计划、调用工具并执行多步操作的AI系统，区别于传统的单轮问答模型。在AI行业中，Agent被视为大语言模型走向实际生产力的关键形态——它不只是回答问题，而是能像一个初级工程师那样完成复杂任务链。官方明确表示 Agent 能力得到大升级，同时推理力度支持三档可调，并原生支持 OpenAI 的 Responses API，这意味着对 Codex 等生态的兼容性进一步增强。

在推理档位设计上，V4-Pro 和 V4-Flash 都支持三档：简单任务可开 low 档省 Token，日常 Agent 工作流用中档，复杂任务则开 high 档拉满性能。推理力度（reasoning effort）的三档可调设计，本质上是让用户在Token消耗（即成本）与输出质量之间做取舍：低档跳过深度思考直接输出，适合格式转换等简单任务；高档则会触发完整的思维链推理，适合数学证明或多文件代码重构等需要反复验证的场景。官方表格的脚注里特别说明，代码 Agent 的跑分正是用最高档配合 Temperature 1.0 跑出来的——换句话说，榜单成绩是在最理想配置下取得的。

在 API 层面，V4-Pro 原生支持 OpenAI Responses API，并专门为 Codex 做了配置，上下文最长可达 384K，同时兼容 OpenAI 格式与 Anthropic 格式。OpenAI 的 Responses API 是其在2025年推出的新一代接口规范，取代了此前的 Chat Completions API，专门为Agent场景设计，内置了工具调用、文件读写、代码执行等原语。Codex 则是 OpenAI 基于该 API 构建的异步编程Agent产品，能在云端沙箱中自主完成代码编写、测试和提交。DeepSeek 原生兼容这套协议意味着，开发者无需修改已有的 OpenAI SDK 代码，只需将 base_url 指向 DeepSeek 的端点即可无缝切换，大幅降低了迁移成本。同时兼容 Anthropic 格式，则覆盖了另一大主流生态 Claude 的用户群。对于不想写代码的用户，网页和 App 里的 Expert Mode 用的就是 V4-Pro。

V4-Pro 跑分解读：十项全胜但难言碾压

要理解 V4-Pro 的实力，先得看懂官方那张跑分表里的一堆 Benchmark 都在测什么：

• HLE（人类终极考试）：涵盖各学科超难题，斜杠前后分别代表「不让用工具」和「让用工具」两个分数；
• Terminal Bench：让 AI 在命令行里干活，装环境、跑脚本、修配置；
• NLR Repo：给一段需求描述，让 AI 从零生成一整个代码仓库；
• CyberGym：网络安全工坊；
• DeepSWE：修真实项目里的 Bug；
• Tulaflin：工具调用马拉松，一口气调一堆工具完成任务；
• Agent's Last Exam：可以理解为 Agent 版的终极考试；
• Automation Bench：考办公自动化。

V4-Pro 与 V4-Flash 跑分对比

和 V4-Flash 相比，V4-Pro 实现了十项全胜：Terminal Bench 87.9 对 82.7，DeepSWE 62.7 对 54.4，最难的 DS Bench Hard 67.2 对 59.6。而跟更早的 Preview 版比更是脱胎换骨——DeepSWE 从 12.8 直接飙到 62.7。

但如果要说「碾压」，还真算不上。Terminal Bench 输给了 Kimi K3 的 88.3，NLR Repo 落后于 Opus 4.8 的 69.7，DS Bench 的两项甚至连前二都没进。一句话总结：比 Flash 强一截，但没有达到大家期望中那种断层领先。

DS Bench 内部榜单暴露了什么

跑分表里有两个特殊项目——DS Bench，它们是 DeepSeek 自家的内部测试集，并不公开。据博主 Max4AI 的分析，DS Bench 分为 Fullstack（测完整全站开发能力）和 Hard（专门放高难度 Agent 任务），早在 6 月份 DeepSeek 就悄悄挂出了单独的榜单页面。

自建榜单在行业中并不罕见——Anthropic 有 SWE-bench、Google 有 BigBench——其优势是能精准衡量自家模型的目标能力，劣势则是公信力存疑。从实验室选择建什么榜，往往可以反推其技术路线的重心所在。

有意思的是，即便在自家榜单上 V4-Pro 也没能称王。Fullstack 榜上，Fable5 以 77.2 排第一，V4-Pro 71.1 仅排第四；Hard 榜上，Opus 4.8 的 71.7 反超 Fable5 的 68.3，V4-Pro 67.2 只排第三。连自己设计的榜单都没拿到第一，再次印证了「强归强、没碾压」的结论。

Max4AI 还提出了一个耐人寻味的观点：实验室自己造什么榜单，恰恰暴露了它在优化什么。DeepSeek 显然正在重点押注 Agent 及其配套的 Harness（此处指 DS-Harness）。Harness 在软件工程语境中通常指测试执行框架或评测沙箱，它规定了Agent如何接收任务、访问代码库、提交补丁以及如何被打分。如果 DeepSeek 将 DS-Harness 开源，意味着第三方可以在相同条件下复现和对比各模型的Agent表现，这将显著提升其榜单的可信度，同时也可能催生围绕该框架的开发者工具生态。剩下的悬念，是这套 DS Bench 是否会开源。（此观点为 Max4AI 单一来源的推测。）

DeepSeek API 涨价详解：分时定价策略全解析

相比模型能力，这次真正需要重点留意的是价格调整。

目前的价格是：V4-Flash 每百万 Token 输入 1 元、输出 2 元；V4-Pro 输入 3 元、输出 6 元。而从 8 月 17 号零点开始，DeepSeek 将改为分时定价——高峰时段为早 9 点到 12 点、下午 2 点到 6 点。

分时定价（time-of-use pricing）借鉴了电力行业的峰谷电价机制。对于GPU密集型推理服务而言，高峰时段的算力利用率接近100%，每一次请求都可能排队等待空闲GPU，边际成本极高；而凌晨时段大量GPU闲置，边际成本趋近于零。通过价格信号引导用户错峰，既能平滑负载曲线、降低扩容压力，也能让价格敏感型用户享受更低费率。这一策略在云计算领域已有先例，如AWS的Spot Instance和Google Cloud的Preemptible VM，但在大模型API定价中尚属少见，DeepSeek此举可能引发行业跟进。

高峰时段涨幅一览

新价格下，高峰时段涨幅相当惊人：

• Flash 输出：涨到 9 元，是现在的 4.5 倍；
• Pro 输出：涨到 27 元，同样约 4.5 倍；
• 最夸张的是 Pro 高峰时段的缓存命中输入：从 2 分 5 涨到 3 毛，涨了约 12 倍。

如何降低使用成本

好消息是，空闲时段一律半价。因此如果你要跑批量任务，尽量安排在夜里执行，能省下不少成本。这一「高峰劝退、空闲鼓励」的分时策略，本质上也是在引导用户错峰使用，缓解高峰期的算力压力。对于企业用户而言，可以考虑将非实时的回归测试、数据标注、文档生成等任务通过任务队列调度到凌晨执行，充分利用低谷费率。

总结：V4-Pro 值得升级吗

综合来看，本期信息量相当集中：DeepSeek V4-Pro 已经上线，比 Flash 强一截，但别指望它碾压顶级对手；推理三档按钮可以按需调节；8 月 17 号起涨价，高峰输出贵 4.5 倍，跑批量任务尽量挪到夜里。

从 DeepSeek 密集造榜、押注 Agent 与 Harness 的动作来看，这家实验室正在把重心明确转向 Agent 生态。而即将发布的 DS-Harness，或许才是这盘棋真正的关键落子。

核心要点