DeepSeek V4 Pro实测：性能跑分亮眼但前端生成仍有Bug

DeepSeek V4 Pro正式版登场，还带来了自家Harness

DeepSeek近期正式发布了V4 Pro模型，并同步推出了开发者预览版的官方开发工具Harness。这一时间点颇为微妙——就在正式版上线后不久，社区就迅速展开了各类实测。本文基于一位B站UP主的第一手上手体验，尝试从普通用户视角还原DeepSeek V4 Pro的真实表现。

DeepSeek V4 Pro是深度求索（DeepSeek）公司推出的最新一代大语言模型，属于其V4系列的旗舰版本。DeepSeek自2023年成立以来，凭借V2的MoE（混合专家模型）架构创新和V3的超大规模训练，迅速跻身全球顶级模型行列。V4 Pro在前代基础上进一步提升了代码生成、数学推理和多轮对话能力，面向专业开发者和企业用户，在推理深度和输出质量上相比标准版有显著提升，通常伴随更大的上下文窗口和更精细的指令遵循能力。

需要说明的是，这次测试属于非专业的民间评测，测试者本人也坦言自己"很少用它来做前端"，更多是日常调用模型完成一些轻量任务。因此本文的价值不在于严格的基准跑分，而在于呈现一个真实使用者对新模型的直观感受。

醍醐测试与糖果测试：两项民间常用AI评测

国内AI圈子里流行两个非官方的"土味"测试项目——醍醐测试（T5测试）和糖果测试。前者主要考察模型生成动态前端页面的能力，后者则偏向逻辑推理与计算。

醍醐测试（T5测试）源自国内AI社区对模型前端代码生成能力的标准化考察需求。该测试通常要求模型一次性生成包含复杂CSS动画、响应式布局和交互逻辑的完整HTML页面，考验的是模型对DOM结构、CSS定位（如position、flexbox、grid）以及JavaScript动画API的综合理解能力。糖果测试则更侧重于数学推理和多步逻辑链，通常包含需要模型追踪多个变量状态变化的复杂场景题。

在Claude Code环境中，UP主使用V4 Pro配合最高档的"插海"（Thinking）推理模式进行了T5测试。Claude Code是Anthropic公司推出的终端原生AI编程助手，其架构支持OpenAI兼容API格式，因此社区用户可以通过修改API endpoint将DeepSeek等第三方模型接入使用。然而这种"嫁接"方式存在固有的适配问题——Claude Code的系统提示词、对话模板和工具调用格式都是为Claude模型系列特别设计的，替换为其他模型时可能与目标模型的训练分布不匹配。

所谓"插海"推理模式，即启用模型的扩展思考能力，允许模型消耗更多token进行深度推理后再输出结果，这是DeepSeek R1系列引入的核心技术特性。结果耗时约6分48秒，生成的页面从整体观感来看"色彩很好、也有动画"，但存在一个明显的Bug：页面元素的脚部突然出现在了左上角，位置错乱，原因不明。

从前端技术角度分析，这类Bug通常源于CSS定位上下文（positioning context）的错误处理——当子元素使用absolute定位而父容器未正确设置relative定位时，元素会相对于最近的已定位祖先或视口进行定位，从而出现"飘到角落"的现象。这说明模型在处理复杂嵌套布局时，对CSS定位层级关系的把握仍有改进空间。

相比之下，糖果测试的表现更令人满意。在两分多钟内，V4 Pro给出了较为完整的回答。UP主的总体评价是"还不错"，认为逻辑类任务是这个模型相对稳定的强项。

DeepSeek网页端专家模式表现更优

有意思的是，测试者在DeepSeek官方网页端使用"专家模式"时，反而获得了比API接入Claude Code更好的前端生成效果。他提到网页端生成的页面"至少是一个挺正常的灯笼样式"，虽然缺少复杂的左右动效，但整体完成度更高。

这一现象的技术原因在于调用链路的差异。Claude Code是Anthropic推出的命令行开发工具，当用户将DeepSeek V4 Pro接入Claude Code时，实际上是通过OpenAI兼容的API接口进行调用，中间经历了提示词模板转换、系统提示注入、上下文窗口管理等多个环节。这些中间层可能引入额外的提示词格式差异。而DeepSeek官方网页端的"专家模式"则使用原生优化的推理管线，包括针对自家模型特性调优的系统提示、温度参数和采样策略。模型对其原生训练时使用的提示格式最为敏感，这解释了为何原生环境效果更佳。

这一现象值得开发者关注：同一模型在不同调用环境下的表现存在明显差异，官方原生环境的适配往往优于第三方工具的接入。

官方跑分数据：Terminal Bench得分高达87.9

DeepSeek官方公布了V4 Pro的基准测试成绩，其中最引人注目的是Terminal Bench（终端命令行任务基准）得分高达87.9，仅略低于顶尖的对标模型。

Terminal Bench是一项专门评估AI模型在真实终端环境中执行复杂开发任务能力的基准测试。与传统的代码生成评测（如HumanEval、MBPP）不同，Terminal Bench模拟的是开发者日常在命令行中进行的完整工作流：包括文件系统操作、Git版本控制、包管理器使用、构建系统配置、调试排错等。87.9的得分意味着模型能够在近九成的测试场景中正确完成从理解任务到执行命令的全链路操作。

对此，UP主的态度是既惊讶又保留："说实话有点吓人"，但同时也直言"这个表个人感觉有点小夸张"。他强调自己评判模型主要看实际使用效果，而非官方评分。

这种"跑分很猛、实测存疑"的落差，恰恰是当前大模型评测生态的普遍困境——榜单成绩与真实场景体验之间往往存在鸿沟。基准测试的局限在于测试用例的覆盖面和难度分布可能无法完全代表真实开发中的长尾问题，且厂商在评测时可能针对特定基准进行了优化（即所谓的"刷榜"现象）。此外，基准测试通常在理想化的单轮或少轮交互中进行，而真实开发场景涉及长上下文累积、多文件协作和模糊需求澄清等复杂因素。用户需要理性看待厂商公布的数据。

DeepSeek Harness开发者工具初体验

本次测试的另一重点是DeepSeek同步发布的官方开发工具Harness（开发者预览版）。安装方式相当简单：前往对应的GitHub仓库，按照文档执行安装脚本，再用一条命令即可启动。

Harness本质上是DeepSeek官方提供的一套完整的模型控制与工作流程系统。其技术定位类似于OpenAI的Codex CLI或Anthropic的Claude Code，属于"AI原生开发终端"这一新兴工具品类。这一品类的演进路径大致为：最初开发者通过网页Chat界面与模型交互；随后出现了IDE内嵌插件（如GitHub Copilot、Cursor）；再到终端原生工具。终端原生工具的优势在于能直接操作文件系统、执行Shell命令、管理Git等开发工作流，将AI从"建议者"提升为"执行者"。

相比过去大家习惯的"把DeepSeek接入Claude Code或Codex"的做法，官方原生工具理论上能与自家模型更好地适配——从提示词工程、上下文管理到输出解析，都可以针对自家模型架构进行深度优化。DeepSeek推出Harness的战略意义还在于掌握从模型到工具的全链路体验，避免用户体验受制于第三方工具的适配质量。

思维链可视化是Harness的核心亮点

UP主特别称赞了Harness能够显示模型的思考过程（思维链）。他表示，纯终端环境下往往看不到模型的推理链路，而Harness把这一过程展示出来，"虽然大多数人也不会细看，但有这个思维链感觉挺高级"。

思维链（Chain-of-Thought, CoT）可视化是Harness的差异化特性之一。在大模型推理过程中，思维链指的是模型在给出最终答案前进行的中间推理步骤。DeepSeek V3/R1系列模型以其深度推理能力著称，模型在内部会进行大量的"自我对话"——分解问题、验证假设、回溯修正。将这一过程可视化，不仅帮助开发者理解模型决策逻辑、便于调试prompt和定位错误，也为后续的提示词优化提供了直观依据。

从技术实现上看，思维链可视化需要模型在推理过程中将中间步骤以结构化方式输出，这与DeepSeek R1系列的训练方式密切相关——R1系列模型在训练时被显式鼓励"展示推理过程"（通过强化学习奖励清晰的推理步骤），因此其思维链内容通常比其他模型更丰富、更具可解释性。对于需要模型完成多步骤复杂任务的场景，观察思维链可以帮助用户判断模型是在哪一步"走偏"了，从而针对性地调整提示词。

在实际使用中，Harness的响应速度获得了高度评价——"生成速度非常快，跨化速度也快"，明显快于其他一些工具。

此外，Harness提供了多种运行模式，包括标准模式、极简模式、PTC模式等。UP主坦言对这些专业名词"挺外行"，但也推测极简模式可能才是最适合正规测试的选项。工具还支持添加工作区、配置多模型、接入不同API厂商，以及网页搜索、终端等官方插件，功能相对完整。

DeepSeek V4 Pro价格与调用成本

成本方面是这次测试的一个惊喜。UP主完成T5测试和糖果测试等一系列任务后，总花费仅约4毛4分钱，直呼"确实挺便宜"，命中率表现也不错。

DeepSeek能够提供如此低廉价格的技术基础在于其MoE（混合专家模型）架构。V4 Pro延续了V2/V3系列的DeepSeekMoE架构设计，将模型参数分散到多个"专家"子网络中，每次推理时仅激活部分专家处理特定输入。这意味着虽然模型总参数量可能达到数千亿级别，但单次推理实际激活的参数量远小于此，直接降低了每次API调用的GPU计算成本。这一架构优势使得DeepSeek能够在保持高质量输出的同时，以远低于同级别密集模型（如GPT-4o）的价格提供服务。

不过他也发现V4 Pro确实存在分时段涨价的调整——采用按时段划分定价的策略，高峰时段价格较高，非高峰时段则更便宜。

分时段定价（Time-of-Use Pricing）是大模型API服务商应对GPU算力供需波动的常见策略。大模型推理依赖GPU集群，而GPU资源在工作日白天（特别是北京时间上午10点至下午6点）面临峰值压力。以NVIDIA H100/H800为例，单卡每小时云端租赁成本约2-4美元，一个大规模推理集群可能部署数千张卡。当请求量出现峰值时，要么排队等待（增加延迟），要么预备冗余容量（增加成本）。DeepSeek采用高峰/非高峰差异定价，本质上是通过价格信号引导用户将非紧急任务（如批量数据处理、大规模代码重构）迁移至低峰时段，从而提升整体集群利用率。这一做法类似于云计算中的Spot Instance定价或电力市场的峰谷电价机制。对于有成本敏感度的开发者而言，配合任务调度器进行错峰调用可显著降低长期使用成本。

总结：写代码或许才是V4 Pro真正的强项

综合这次民间实测，DeepSeek V4 Pro给出了一个相对积极但并非完美的答卷：

• 优势：官方跑分亮眼、调用成本低廉、Harness工具响应快且带思维链可视化、糖果测试等逻辑任务表现稳定
• 不足：前端生成存在元素错位等细节Bug、榜单成绩与实际体验有落差、Harness的专业模式对普通用户存在使用门槛

UP主最后的评价颇为中肯："这个模型的真正力量，可能是发挥在写代码那方面吧。"对于日常的前端页面生成，V4 Pro"只能说还行"；但结合其Terminal Bench高分与低廉的价格，它在代码开发场景下的潜力值得专业开发者进一步验证。

从行业格局来看，DeepSeek V4 Pro的发布标志着国产大模型在"模型+工具"一体化生态建设上迈出了重要一步。过去国产模型虽然在性能上逐步追赶甚至局部超越海外竞品，但在开发者工具生态方面始终存在短板——用户不得不依赖Claude Code、Cursor等海外工具作为"外壳"来使用国产模型。Harness的推出意味着DeepSeek开始补齐这块拼图，试图构建从模型推理到开发工具的完整闭环。

对于想尝鲜的用户，建议优先使用DeepSeek官方网页端的专家模式或配套的Harness工具，以获得比第三方接入更好的原生体验。同时，合理利用分时段定价策略，将大规模任务安排在非高峰时段执行，可以在保证体验的同时最大化成本效益。