DeepSeek-V4-Pro GA：官方 Benchmark 横向对比

8 月 13 日，DeepSeek 将 V4-Pro 从预览版推到 GA。官方横向表显示，V4-Pro-0813 在这张表覆盖的 10 个项目中，相比 V4-Pro-Preview 的已披露分数全部上升；其中 Terminal Bench 2.1、NL2Repo、Cybergym 和 AutomationBench Public 已高于其他列出的对照模型。它仍不是所有项目的第一名：HLE、DeepSWE、Toolathlon-Verified、Agents' Last Exam 和两项 DSBench 上，Kimi-K3、Opus-4.8 或 Fable 5 仍有更高分。1

这组结果更像一张分化的能力画像：GA 版对自己的预览版完成了一次大幅抬升，在工程和代理任务上进入第一梯队；但跨 benchmark 直接排一个总名次，既不符合官方表，也会把不同工具和评测设置混在一起。

官方发布页把本次版本写作 DeepSeek-V4-Pro GA，并同时介绍 V4-Flash。V4-Pro 已可在 DeepSeek 网页和 App 的「Expert Mode」中使用，也可通过 API 调用。发布页还称，V4-Pro 与 V4-Flash 支持可调 reasoning effort：简单任务可以使用较低档，复杂任务使用更高档；V4 系列支持 OpenAI Responses API，并针对 Codex 做了适配。1

API 名称方面，页面只说明模型名称保持不变；价格图列出的型号名是 DeepSeek-V4-Pro 和 DeepSeek-V4-Flash。页面没有在这次公告中另列 endpoint 名称，因此这里不把名称扩展成额外的 API 路径。

下表把官方图片中的 10 行、8 列完整转录为一张表。HLE 的单元格格式是「无工具 / 有工具」；其他项目按官方图中的单值保留。每一行最高值加粗。空白表示官方这张表没有披露该模型在该项目上的数值，不代表 0。

V4-Pro-0813 在官方表中的 10 个项目都高于 V4-Pro-Preview。提升最明显的几行是 DeepSWE，从 12.8 升到 62.7；DSBench-FullStack，从 41.8 升到 71.1；DSBench-Hard，从 31.1 升到 67.2；AutomationBench Public，从 12.8 升到 31.8。Terminal Bench 2.1 也从 72.1 升到 87.9，NL2Repo 从 38.5 升到 61.5。1

这说明 GA 版相对旧预览版的变化，主要体现在多步工程任务、代码仓库修改、自动化和代理任务上，而不是只在某一个 benchmark 上刷高分。这里的结论仍限于官方表中这 10 个项目，不能外推成所有公开评测都同步提升。

V4-Pro-0813 在 Terminal Bench 2.1 上拿到 87.9，低于 Kimi-K3 的 88.3 和 Fable 5 的 88.0，但高于 Opus-4.8 的 85.0。它在 NL2Repo 的 61.5、Cybergym 的 83.3 和 AutomationBench Public 的 31.8 则是这几行中最高的已披露值。1

另一边，HLE 的无工具 / 有工具分数是 42.7 / 60.0，Fable 5 为 53.3 / 63.0，Opus-4.8 为 49.8 / 57.9。DeepSWE 上，Fable 5 的 70.0 和 Kimi-K3 的 67.5 也高于 V4-Pro 的 62.7。Toolathlon-Verified、Agents' Last Exam、DSBench-FullStack 和 DSBench-Hard 的最高值同样分别落在 Fable 5、Kimi-K3、Fable 5 和 Opus-4.8。1

因此，比较 V4-Pro 时最稳妥的说法是「工程和自动化任务的竞争力明显增强」，而不是「全面超过其他旗舰」。

V4-Flash-0731 在大多数行低于 V4-Pro-0813，但仍高于两列 Preview。例如它在 Terminal Bench 2.1 上为 82.7，在 Cybergym 上为 76.7，在 DSBench-FullStack 上为 68.7；对应的 V4-Pro-Preview 是 72.1、52.7 和 41.8。1

V4-Flash 也不是简单的「低一档版本」：在 Agents' Last Exam 上，它以 25.2 高于 GLM-5.2 的 23.8，且接近 V4-Pro 的 25.7。读者如果关心吞吐和成本，应该把 Flash 与 Pro 的价格、任务类型和具体 benchmark 放在一起看，而不是只看模型名中的 Pro 或 Flash。

官方价格图给出的新价格如下。输入分成缓存命中和缓存未命中，输出单独计价，单位都是美元 / 百万 token。1

按价格图计算，V4-Pro 的峰时段价格正好是非峰价格的两倍，V4-Flash 也是如此。实际账单还取决于缓存命中率、输入输出 token 数和调用发生的时间；这组价格不能反推 benchmark 的成本效率，因为官方 benchmark 表没有提供每项测试的 token 消耗或调用成本。

第一，官方表只统一展示了模型、benchmark 和分数，没有在公告正文中为每一行补充完整的 harness、样本数、采样次数、上下文长度和工具配置。HLE 明确把无工具和有工具分开，其余项目的运行条件不能仅凭这张图补齐。1

第二，Fable 5 的列名带有「w/ fallback」。这意味着它不是一个可以无条件视作单一模型本体的对照列；它仍然是官方表中的有效参考，但读者在把 Fable 5 与其他列比较时，应保留这一运行条件。

第三，官方图里的空白不能被第三方榜单填上。GLM-5.2 在 Cybergym 上没有披露值，Kimi-K3 和 Fable 5 在 NL2Repo 上没有披露值，Fable 5 在 Agents' Last Exam 上没有披露值。把这些格子填成 0，会把「未测」错误地变成「测过但失败」。

这张表支持的判断很具体：DeepSeek-V4-Pro GA 相对 V4-Pro Preview 完成了跨工程与代理任务的整体跃升，并在 Cybergym、NL2Repo、AutomationBench Public 等项目上给出强信号；它同时在 HLE、DeepSWE、Toolathlon 和 DSBench 的不同项目里暴露出与其他旗舰的差距。要判断它是否适合自己的工作流，下一步应在同一任务类型、同一工具配置和相近 reasoning effort 下复测，而不是把 10 行分数压成一个总排名。