DeepSeek-V4-Flash-0731 转为正式版：Agent 评测跃升，1M 上下文与 API 价格公开 (2026)

先看结论

DeepSeek 在 2026 年 7 月 31 日把 deepseek-v4-flash API 更新为 DeepSeek-V4-Flash-0731 正式版并开放公测：模型名、接口地址和调用方式不变，但后训练重新做过，Agent 评测明显高于 V4-Pro-Preview。官方账号在北京时间 7 月 31 日 14:56 公布了这次更新，并确认原生支持 Responses API、针对 Codex 做了适配。1 2

对开发者来说，这不是一次必须改模型名的迁移，而是一次必须重跑 Agent 评测的后训练升级。API 可以直接继续调用 deepseek-v4-flash；需要本地部署的人则要单独下载 Hugging Face 权重，不能把 API 可用等同于本地服务已经配置好。3

先把规格对齐

项目	当前可核实信息	对选型的影响
API 版本	模型名仍为 `deepseek-v4-flash`，官方 API 现在提供 DeepSeek-V4-Flash-0731 正式版公测；调用方式不变。1	现有代码不必因为版本号改写；应把旧版 Agent 回归测试重新跑一遍。
上下文与输出	官方价格页列出 1M 上下文、最大 384K 输出；Codex 配置文件把上下文窗口写为 1,048,576。4 5	适合长代码库、长日志和长程 Agent，但单次输出上限不等于每个任务都应该生成 384K。
模型规模	Hugging Face 当前仓库页面的模型元数据显示 304B 参数；DeepSeek 的 V4 技术报告对 preview 版本写的是 284B 总参数、13B 激活，Artificial Analysis 也按 284B/13B 记录。官方更新日志同时说 0731 与 preview 的结构和尺寸保持一致。1 3 6 7	公开材料存在 304B 与 284B 的总参数口径差异，不能把「304B 总参数、13B 激活」当成已经由同一份官方材料完整确认的组合。部署时应以实际 checkpoint 元数据和硬件测试为准。
能力与接口	官方确认 Agent 能力重新增强，原生支持 Responses API，并针对 Codex 适配；模型卡还列出 `low`、`high`、`max` 三档 `reasoning_effort`。1 3	编程 Agent、工具调用和 Codex 是本次升级的主测试场景，普通聊天质量不能替代这些任务的实测。
价格	官方价格页当前按人民币列出：缓存未命中输入 ¥1、缓存命中输入 ¥0.02、输出 ¥2，均为每百万 token；Artificial Analysis 独立页面折算显示约为 $0.14、$0.003、$0.28。4 7	预算应按缓存命中比例拆开算。官方页面还预告峰谷定价，高峰时段按两倍计费，但当前价目表仍是平价，具体执行时间以官方通知为准。
权重与许可	Hugging Face 已有 `deepseek-ai/DeepSeek-V4-Flash-0731` 官方仓库，模型卡标注 MIT 许可，并给出 vLLM、SGLang 和本地推理说明。3	API 试用和本地自部署是两条路径；本地部署前要核对显存、量化格式、推理框架和实际吞吐。

这次升级改了什么

DeepSeek 的官方更新日志把边界写得很清楚：只有 deepseek-v4-flash API 升级，V4-Pro API 以及 App、Web 端模型没有改动；0731 的结构和尺寸与 V4-Flash-Preview 保持一致，只重新进行了后训练。这个信息比「换了一个全新底座」更重要，因为它把预期放在工具调用、任务规划、拒答和输出行为的变化上，而不是硬件成本突然换档。1

Hugging Face 模型卡把这次版本称为替代 preview 的正式发布，并说明它沿用带 DSpark speculative decoding（推测解码）模块的结构。模型卡没有在正文中给出一组新的「总参数 / 激活参数」数字；页面下方的模型元数据单独显示 304B。因此，当前最稳妥的写法是：13B 激活是技术报告与独立评测沿用的 preview 口径，304B 是当前仓库元数据的总参数显示，两者不应被强行拼成一个无冲突的官方规格。3 6 7

上下文则没有这个歧义：DeepSeek 官方 API 价格页写的是 1M，Codex 集成文档给出精确值 1,048,576。官方公开资料没有在本次更新页中证明「4K 升到 1,040K」这一历史变化，能确认的是当前 0731 API 的百万 token 上下文和 384K 最大输出。4 5

官方 benchmark：Agent 指标整组上升

DeepSeek 在 API 更新日志和官方模型卡中给出九项 Agent 评测。公开 Code Agent 任务使用即将发布的 DeepSeek Harness 极简模式，max 推理档位，temperature=1.0、top_p=0.95；DSBench-FullStack 与 DSBench-Hard 是内部测试集，不能与外部公开榜单直接等量比较。1 3

评测	V4-Flash-0731	V4-Flash-Preview	V4-Pro-Preview
Terminal Bench 2.1	82.7 1	61.8 3	72.1 3
NL2Repo	54.2 1	39.4 3	38.5 3
Cybergym	76.7 1	38.7 3	52.7 3
DeepSWE	54.4 1	7.3 3	12.8 3
Toolathlon-Verified	70.3 1	49.7 3	55.9 3
Agents' Last Exam	25.2 1	15.8 3	16.5 3
AutomationBench Public	25.1 1	10.8 3	12.8 3
DSBench-FullStack †	68.7 1	37.0 3	41.8 3
DSBench-Hard †	59.6 1	25.8 3	31.1 3

这组数字支持一个有限的判断：0731 的后训练确实把官方 Agent 评测往上推了一大截，尤其是 DeepSWE、Cybergym 和 Terminal Bench 2.1。但它们仍是 DeepSeek 自己的结果，且测试框架、推理强度和工具环境会影响 Agent 分数；不能直接推导出所有代码库、所有工具链都会按同样比例提升。

独立评测怎么看

Artificial Analysis 在 7 月 31 日的独立评测中给 DeepSeek V4 Flash 0731 的 Intelligence Index 评分 50，比前一代 DeepSeek V4 Flash 高 10 分；该指数包含 GDPval-AA v2、Terminal-Bench v2.1、SciCode、GPQA Diamond、AA-Omniscience 等九项评测。它还记录了 GDPval-AA v2 的 1559 Elo、Terminal-Bench 2.1 的 79%，以及比前一代低 12% 的总输出 token 使用量。8

另一项值得留意的信号是 AA-Omniscience Index 为 -16。Artificial Analysis 解释，这一项相较前代的改善主要来自更低的幻觉率，而不是总体答对率上升；该页面同时记录幻觉率为 84%、准确率为 37%。这不意味着模型已经适合无审核地执行生产任务，反而说明 Agent 评测之外，仍要把事实可靠性和拒答行为纳入回归集。8

AA 模型页给出的第一方 API 观测值是约 122.7 output tokens/s，页面将模型记录为文本输入、文本输出、1M 上下文、284B 总参数和 13B 激活；这些是独立评测方的模型记录，不是 DeepSeek 0731 更新页新增的规格声明。7

API、Codex 和本地权重

API 侧的迁移动作很短：继续使用 model=deepseek-v4-flash，接口地址保持不变。官方文档目前只让 V4-Flash 接入 Codex，Responses API 已原生支持；Codex CLI、ChatGPT 桌面端和 VS Code 插件共用一份配置，适合把同一套代码 Agent 评测直接换到新版本。1 5

价格要把三种 token 分开记：官方当前价目表是缓存未命中输入 ¥1、缓存命中输入 ¥0.02、输出 ¥2 / 百万 token。峰谷定价已在文档中预告，高峰时段定义为北京时间每日 9:00～12:00 和 14:00～18:00，价格按两倍计算，但页面写明具体启用时间以正式通知为准。4

本地侧，官方 Hugging Face 仓库已经开放权重并标为 MIT，提供 vLLM、SGLang 和推理脚本；vLLM 示例使用 4×GB300 节点，并启用 DSpark speculative decoding。这个入口对研究和私有部署有价值，但硬件门槛不能从「13B 激活」这个数字直接估算，MoE 仍要承载完整权重、KV cache 和运行时开销。3

开发者现在该怎么测

保留原有 API 配置，只把线上或测试环境中的 deepseek-v4-flash 重新跑一遍；记录任务成功率、工具调用成功率、重试次数、输入缓存命中率、输出 token 和端到端延迟。
把官方 benchmark 的强项拆成自己的任务集：终端操作、真实仓库修复、多工具编排、浏览器或 SaaS 自动化分别计分，不要用一次聊天问答替代 Agent 回归。
如果使用 Codex，直接测试 Responses API 路径，并检查 low、high、max 三档 reasoning effort 对成功率、速度和费用的影响；同一任务至少固定随机性、工具权限和上下文长度。
如果准备自部署，先从官方权重仓库核对 checkpoint、量化格式和推理框架，再测显存占用与吞吐。304B 和 284B 的公开总参数口径尚未统一，采购硬件时不要只按文章标题里的参数数字下结论。

需要查看原始材料，可直接打开 DeepSeek 官方更新日志、DeepSeek-V4-Flash-0731 模型卡和官方模型与价格页。