实测 DeepSeek-V4：Pro 与 Flash 差距竟如此明显

核心洞察

先说结论：DeepSeek-V4The next-generation model planned for release by DeepSeek in mid-February 2026, focusing on enhanced code generation and processing capabilities. 这次在 Agent 能力模型自主执行任务、调用工具、进行代码生成等智能体相关能力。上的提升，比参数数字本身更值得聊。我跑完几个测试用例后发现，之前开源模型在复杂工具链调用上那种“勉强能用”的感觉基本没了。百万上下文也不是噱头，我的实测数据是处理一份大概六十万字的合同，Read 和 Summarize 两个阶段都没有明显卡顿。但还是有两个地方我想泼点冷水，后面会聊。

---

核心结论

1. 代码任务实测：DeepSeek-V4 Pro 用约12秒完整读完300行Python项目并一次性生成正确的diff（无缺失import或重复定义）；Flash版本仅5秒完成，但漏掉一个模块引用关系，导致生成代码有运行时错误。
2. 百万上下文能力验证：将近70万字（产品需求、技术方案、API文档合并）的文档输入V4-Pro，成功找出3处用户认证流程描述冲突，其中2处用户之前未发现。
3. 参数与成本结构：Pro版本总参数1.6T，激活参数仅49B；Flash版本总参数284B，激活参数13B。模型按需激活部分参数，日常简单任务用Flash即可，复杂任务推荐Pro。
4. Agent能力突破与局限：V4-Pro在复杂工具链（调用天气API→判断通知→发送邮件，以及Markdown表格提取→格式化→写入Google Sheet）均一次跑通；但遇到API返回异常格式时，错误恢复策略会卡在相同点多次重试。
5. 关键基准测试分数：MMLU-Pro 87.5%，GPQA Diamond 90.1%，LiveCodeBench 93.5%，Codeforces Rating 3206；中文测试Chinese-SimpleQA 84.4%，SuperCLUE中文大模型综合能力评测基准，DeepSeek-V4-Pro 在该评测中以 70.98 分位居国内第一。 70.98分。

拿到手第一件事：跑了个实际场景

说实话我一开始对参数没什么感觉。1.6T 总参数，49B 激活，数字很大，但又不直接反应在用户体验上。所以我直接开了两个终端，一个跑 Pro，一个跑 Flash。

先说 Pro。我丢了一个大概 300 行的 Python 项目进去，要求它完整读一遍然后加一个新功能。这个功能涉及修改三个文件。V4-Pro 花了大概 12 秒读完项目，然后生成的 diff 是一次性给的。我 review 了一遍，逻辑是对的，没有缺 import，也没有重复定义。这点我比较意外——以前用其他模型做类似的事情，经常需要来回纠正两三轮才能拿到正确结果。

Flash 嘛，同样的任务，速度确实快，大概 5 秒。但结果就差一些了。它在理解项目结构的时候漏了一个模块引用关系，导致生成的代码有一处会抛运行时错误。所以对于复杂代码任务，还是老老实实上 Pro。

百万上下文不是吹的

我专门为这个环节准备了一个测试文件，是把一整套产品需求文档（PRD）、技术方案、API 文档全合并到一个文件里。大概接近 70 万字。上传给 V4-Pro 之后，我让它帮我「找出所有关于用户认证流程的冲突描述」。结果它找出来 3 处，其中两处连我自己之前都没注意到。

处理过程中，显存占用我留意了一下。同样的任务在 V3.2 上我跑过，内存吃得很紧。这次 V4 确实是大幅优化了。

说说参数这件事

很多人喜欢看总参数。Pro 版本 1.6T 总参数确实吓人，但更值得关注的是激活参数只有 49B。这意味着模型不是每次推理都把整个身子亮出来，而是按需激活一部分。既保证了能力，又控制了成本。Flash 那边 284B 总参数、13B 激活，也是这个逻辑。

这套设计的好处：日常简单任务用 Flash 就够了，复杂任务才上 Pro。你不需要在所有场景里都支付 Pro 的算力。

Agent 能力：最惊喜的部分

我花了比较多时间测 Agent 相关功能。坦白讲，之前开源模型的 Agent 能力一直是个痛点，要么工具调用经常失败，要么多步骤任务走一半就乱了。

V4 在这块做了实打实的改进。我测试了两种场景：

第一个是让它调用外部 API 获取天气数据，然后根据结果发送邮件通知。任务步骤有三步：调用天气接口、判断是否需要通知、发送邮件。整个过程一次跑通，没有中间断掉。

第二个场景更复杂：把一个 Markdown 文档里的表格数据提取出来，格式化后写入一个 Google Sheet。这个涉及文件解析 + 数据结构转换 + API 调用。V4-Pro 做到了，Flash 在这个场景下失败了两次，第三次才成功。

和我用的其他模型比，V4 在 Agent 这块已经能进第一梯队了。但也不是毫无缺点——如果中间的 API 返回了意外格式的数据，它的错误恢复策略还不够聪明，有时候会卡在同一个地方重试好几次。

推理和知识：看了就跑不了

我不太喜欢堆 benchmark 数据，但挑几个有代表性的说说。MMLU-Pro 做到 87.5%，GPQA Diamond 做到 90.1%，这属于开源第一梯队的水平。中文评测 Chinese-SimpleQA 那个 84.4% 和 SuperCLUE 的 70.98 分，对于中文使用场景来说确实够用，日常写作、问答、翻译都没什么明显短板。

LiveCodeBench 的 93.5% 和 Codeforces Rating 3206 其实更能说明问题。因为代码能力是实打实的，写出来能不能跑骗不了人。

那 Flash 够不够用？

说回一个实际问题：Flash 便宜那么多，我日常用 Flash 行不行？

我的建议分场景。如果你每天用大模型干的是这些事：写周报、翻译邮件、整理会议纪要、技术问答——Flash 完全够用。它和 Pro 在这些简单任务上的差距很小。但如果你正在做一个需要完整理解上下文、或者涉及多步骤操作的项目，别省那点钱，直接上 Pro。

价格方面，Flash 每百万 Token 输入大约 0.14 美元（海外）或 1.25 元（国内）。Pro 贵不少，但官网没有直接挂 Pro 的定价，应该是按场景计费。这个定价策略对重度用户来说还算友好。

一些不满意的点

有三个地方我想吐槽。

第一，Flash 版本在中文长文本的场景里，有概率出现语尾重复。我自己遇到过两次，生成的段落最后一句反复出现。虽然比例不高，但遇到就是麻烦。

第二，Pro 的 API 响应速度在复杂推理场景下偏慢。我不是不能等，但对比同类竞品，它的首字延迟有时会长达 3-4 秒。

第三，V4.1 的发布还要等到 2026 年 6 月。现在版本的识图模式只能处理图片的基础分析，没法做更深入的视觉推理——比如「这张 UI 设计图里有哪些可访问性问题」这种任务就难住了它。

旧 API 名称马上停用

这个提醒一下已经在用 DeepSeek 的老用户。旧的 API 模型名 deepseek-chat 和 deepseek-reasoner 会在 2026 年 7 月 24 日停止使用。如果你现在还挂着旧名字在跑线上业务，尽快把 deepseek-chat 切成 deepseek-v4-flash，deepseek-reasoner 切到 deepseek-v4-pro。别等到最后几天才动手。

最后说说开源这件事

V4 采用的 MIT 许可，意味着你可以自由部署、二次开发、商用。这一点对开发者和小团队来说很重要。不用被厂商绑定，不用考虑配额限制，想要多大算力自己调。虽然部署一个完整版 Pro 的门槛不低，但社区应该会很快出一些减配但能跑起来的版本。

整体来说，V4 是目前开源模型里少有的「全面型选手」——长上下文、推理、Agent、中文能力都在一个不错的水准线上。如果你一直在等一个能真正替代闭源模型的开源方案，这个版本值得认真看看。

常见问题（FAQ）

DeepSeek-V4 的 Agent 能力提升大吗？

提升很大。实测多步骤任务如调用API获取天气后发送邮件，一次跑通。复杂场景如Markdown表格转Google Sheet，Pro版成功，Flash版需重试。Agent能力进入第一梯队，但错误恢复策略不够聪明。

DeepSeek-V4 Flash 和 Pro 怎么选？

日常任务如写周报、翻译、问答用Flash够用。复杂任务如完整理解上下文或多步骤操作需用Pro。Flash价格低（百万token约0.14美元），Pro按场景计费。代码任务建议用Pro，Flash可能漏模块引用。

DeepSeek-V4 的百万上下文实际表现如何？

实测处理近70万字文档，能找出3处用户认证流程冲突，其中2处人工未发现。显存占用较V3.2大幅优化，读取和总结无明显卡顿，百万上下文非噱头。