DeepSeek V4 Pro正式版实测：编码、3D建模与游戏生成全面评测

静默发布的开源重磅模型

DeepSeek V4 Pro的正式版（GA版）近日悄然上线，代号「0813」。与此前发布的V4 Flash正式版类似，这次的发布几乎没有官方声势——X平台上尚无正式公告帖，只有官网上几处引用暗示：使用V4 Pro的模型标识符时，你实际上会被路由到全新的0813版本。同时该模型已在OpenRouter上线，这基本可以确认它是真正意义上的公开发布。

据B站UP主Bijan Bowen的实测分析，这个版本最值得关注的地方在于它的能力跃升幅度。此前的V4 Pro预览版和V4 Flash预览版都给人「半成品」的感觉——从「preview」的命名来看，这倒也说得过去。但真正让人期待的是：Flash从预览版到0731正式版实现了「巨大」的能力飞跃，如果V4 Pro也能复现同样的进步曲线，那将是一件相当令人兴奋的事。

DeepSeek V4 Pro参数规模与定价

从目前可获得的信息看，V4 Pro 0813拥有100万token的上下文窗口，最大输出长度达到384K，这是一个相当可观的数字。模型支持可选的思考模式（thinking mode），可以调低推理强度，但为了测试极限性能，本次所有编码任务都跑在最高强度上。

关于模型规模，如果假设它与预览版一致，那么这是一个1.6万亿参数的混合专家（MoE）模型，激活参数为490亿。虽然依然庞大，但相比逼近3万亿参数的Kimi K3或Qwen 3.8 Max等模型要「克制」不少，这对开源权重模型而言意义重大。

定价方面则是它最大的杀手锏：目前每百万输入token仅0.43美分，每百万输出token为87美分——便宜到几乎离谱。DeepSeek官方已多次预告API价格即将「大幅上调」，但即便涨价5到10倍，这个价位在同类模型中依然极具竞争力。

据流传的疑似DeepSeek微信群基准数据（未经官方证实），V4 Pro在DeepSWE分数上从预览版的12.8跃升至62.7，若属实，将使其在开源模型中占据非常有利的位置。

混合专家（MoE，Mixture of Experts）是一种模型架构，其核心思想是将模型拆分为多个「专家」子网络，每次推理时只激活其中一小部分。对于1.6万亿总参数、490亿激活参数的配置，意味着实际推理时只有约3%的参数参与计算，大幅降低了单次前向传播的算力消耗。这使得MoE模型能在保持巨大「知识容量」的同时，将推理成本压缩到接近同等激活参数的稠密模型水平。DeepSeek、Mixtral、Qwen等主流开源大模型均采用这一架构。正是由于MoE的稀疏激活特性，V4 Pro才能在拥有海量参数的同时维持极低的API定价。

编码与游戏生成能力实测

Bijan通过Codex以及新发布的ChatGPT桌面版Beta（均路由到DeepSeek最高推理强度）进行了一系列零样本编码测试。

浏览器操作系统模拟

模型生成了一个带有透明背景、合成波（synthwave）风格的模拟桌面系统，配有文件管理器、记事本、计算器、设置、游戏等应用。整体审美与Qwen 3.8颇为相似，还内置了「全息桌面」特效——UP主形容其效果「像Apple Vision Pro头显里的应用演示」。虽然文件系统是静态的，但支持创建和删除文件、neofetch展示等细节相当到位。

滑板游戏与地铁FPS

C++滑板游戏「Skate NYC」耗时约68分钟完成。相比预览版「惨不忍睹」的结果，这次的进步「相当显著」，虽然存在建筑面倾斜、文字歪斜等问题，UP主还调侃「树看起来有点像便便」，但整体已是可玩状态。

地铁FPS测试中，模型画出了「测试中见过的最好的地铁车厢」，场景干净简洁，武器模型平滑，甚至有弹壳掉落的细节。但遗憾的是缺少敌人（僵尸），加上反复的自我排错，最终被判定不够理想。

「零样本（zero-shot）测试」指不提供任何示例或中间修正、直接给出任务描述并要求模型一次性完成的评估方式。这是衡量模型真实泛化能力和工程落地可靠性的严苛标准——不允许人工反复调试，更接近实际开发场景中「冷启动」时的表现。DeepSWE则是专门评估大模型软件工程能力的基准，通过让模型自主完成真实GitHub仓库中的缺陷修复和功能开发任务来打分，满分100分。文中提到的预览版12.8分到0813版62.7分的跃升，若属实，意味着模型在实际工程任务（而非简单代码补全）上的自主解决率从约1/8跃升至超过3/5，是质的飞跃。

3D建模与前端设计测试

RB26直列六缸引擎3D模型

这是一项高难度任务：生成一个可3D打印、几乎无需支撑，并能容纳N20微型直流电机的RB26引擎模型。模型耗时1小时10分钟，做了大量关于引擎各部件方位（下排气管、进气歧管等）的细致研究，甚至下载了电机的图片和参数——尽管它并不具备视觉能力，这一点令人费解。

最终结果被评价为「迄今测试中最好的一个」，装配渲染效果出色，但油底壳等部件的朝向问题使其无法实际打印。UP主的评价颇具洞察：「故事不在于模型本身，而在于它背后所做的研究。」

高端手表前端网站

手表网站测试耗时1小时30分钟，结果「非常接近优秀」。木质背景、皮革展示垫、3D手表资产的电影级平移效果都相当到位，双表对比展示（不锈钢款与金款）可自由旋转，数字刻度甚至采用了多材质细节（金/银配黑色填充）。唯一的败笔是皮革垫遮挡了表带的视野，但整体高端质感令人满意。

电影化叙事游戏生成

通过Codex完成的「Steve the PC Repairman」电影化游戏耗时约65分钟，表现超出预期。游戏利用OpenAI API生成了角色语音资产，多角色对话时头部会自然地左右摆动，配乐也与场景高度契合。虽然谜题拼图未能完全「拼出正确画面」，但各个元素都到位了。

最后的「Street Yeet」街头游戏则是一次彻底的成功——卡通风格出色，节奏明快，物理交互有趣（被击飞的物体会与场景其他元素碰撞），配有连击倍率和计分系统，可玩性极佳。

测试总结：性价比突出但仍有改进空间

整套测试的总花费仅为1.91美元，相比几周前Qwen 3.8 Max测试的约32美元，成本优势极为突出。即便未来涨价5倍，依然算不上昂贵。

综合来看，V4 Pro 0813相较预览版是一次「显著改进」，摆脱了此前「半成品」的观感。不过UP主坦言，从性价比角度，Flash模型给他的惊喜更大（毕竟体积更小）；而V4 Pro面临的竞争也更激烈。

最主要的抱怨在于模型「过于token贪婪」——它会不遗余力地反复检查每一行代码，在没有视觉能力的情况下试图启动无头浏览器、截图做热力图，这大大增加了时间和成本。对于零样本测试而言，直接产出结果、由人工反馈修正往往更高效。这或许是最高推理强度带来的副作用，也是一个值得使用者权衡的点。

总体而言，作为一款价格极低的开源权重模型，DeepSeek V4 Pro 0813的这次「转正」，无疑是开源社区值得关注的一步。

「token贪婪」问题在高推理强度（extended thinking）模式下尤为突出。当模型被允许输出大量「思考链」token时，它倾向于穷举式地验证每一个假设，包括在无视觉能力的情况下尝试调用截图、热力图等工具——这些尝试注定失败但仍消耗大量token配额。推理token通常按输出token计费，因此极高的思考深度会成倍放大API成本。用户可通过设置thinking budget参数（即限制推理token上限）来平衡质量与成本，而非无条件使用最高推理强度，这在追求性价比时尤为重要。