DeepSeek V4 Pro 正式版上线，Fable 5 只差 0.1 分？

今天凌晨，我刷到 DeepSeek V4 Pro 0813 的 benchmark 表时，第一反应不是“又一个新模型”。

而是盯着 12.8 → 62.7 看了好几秒。

这是 DeepSWE 的成绩，单次更新涨了 49.9 分。

同一张表里，Terminal-Bench 2.1 从 72.1 跑到 87.9，而 Claude Fable 5 的对照分是 88.0——只差 0.1。CyberGym 也从 52.7 拉到了 83.3。

这种数字摆出来，很难不让人产生一个非常顺手的结论：

DeepSeek 的 Agent 能力是不是突然追到 Fable 5 门口了？

但我越看越觉得，这个结论下得太快。

因为 agent benchmark 和传统问答榜不太一样。模型只是其中一个变量，外面还套着 harness、工具定义、prompt、reasoning effort、token budget，甚至失败后的重试策略。同一个模型，只要这些东西换一套，最后的分数就可能完全不是一个样子。

所以这篇我不准备做一遍“DeepSeek 又变强了”的发布会复读机。

我更想把那个最扎眼的 +49.9 拆开看：

这张表现在能证明什么，又还不能证明什么？

先把已经能确认的事实钉住。

DeepSeek 官方 API 文档现在已经把 deepseek-v4-pro 对应版本更新为 DeepSeek-V4-Pro-0813，调用名没变；1M context、最大 384K 输出都保留，Responses API、Anthropic API 和 Tool Calls 也都支持。当前国内 API 价格仍是缓存未命中输入 3 元 / 百万 token、输出 6 元 / 百万 token、缓存命中输入 0.025 元 / 百万 token。

模型确实更新了。

跑分也确实很猛。

接下来真正要较真的，是这两句话中间那一段。

01先别把 +49.9 翻译成“能力涨了五倍”

先把几个最扎眼的数字摆在桌面上：

• DeepSWE：12.8 → 62.7，+49.9
• Terminal-Bench 2.1：72.1 → 87.9
• CyberGym：52.7 → 83.3
• DSBench-FullStack：公开流传的对比表中同样有明显提升

DeepSWE 本身是一个比较新的 coding-agent benchmark。

它不是让模型补一个函数、答一道算法题，而是给出真实软件工程风格的长任务：读仓库、定位问题、跨文件修改、跑测试，再根据结果继续修。公开论文里，DeepSWE 一共包含 113 个原创长程软件工程任务，覆盖 91 个活跃开源仓库和 5 种语言。

这种 benchmark 有一个天然特点：

它测的不只是“模型脑子”，而是“模型 + agent 执行系统”这整个组合。

这也是为什么我看到 +49.9 时，不太愿意直接把它写成“模型能力暴涨 49.9 个百分点”。

更准确的说法应该是：

DeepSeek V4 Pro 0813 在这套公开出来的 agent 评测配置下，成绩比 Preview 高了 49.9 分。

这句话看起来只多了半句限定，但意思差很多。

因为真正决定你把模型接进代码库以后好不好用的，恰恰就是那半句。

02真正缺的不是“有没有发布”，而是评测配置还不够透明

这里需要先修正一个很容易混淆的点。

V4 Pro 0813 本身并不是“只有社区在传”。

DeepSeek 官方 API 文档已经明确把 deepseek-v4-pro 的模型版本写成了 DeepSeek-V4-Pro-0813，Responses API 也已经标记为支持。所以“这个版本到底存不存在、能不能正式调用”没有太大悬念。

比较奇怪的是另外一件事：

截至我核对时，DeepSeek 的 Change Log 还停在 7 月 31 日的 V4 Flash 更新，没有单独挂出一篇 V4 Pro 0813 的发布条目。

Simon Willison 在拿到 0813 后也专门提到，他最后只能链接 OpenRouter，因为 DeepSeek 没有一个很明显的本次发布说明页面。

这不证明模型“有问题”。

但它确实让 benchmark 的追溯变麻烦了。

对比一下 7 月 31 日的 V4 Flash，DeepSeek 当时在官方 changelog 里写得非常细：

• Code Agent 公共 benchmark 使用 DeepSeek Harness minimal mode；
• reasoning effort 拉到 max；
• top_p=0.95；
• temperature=1.0；
• 甚至说明 V4-Flash-0731 架构和尺寸没变，只做了 re-post-training。

这些信息非常关键。

因为一旦知道 harness 和 effort，你才知道你复现的到底是不是同一个模型状态。

而这次 V4 Pro 0813 流传最广的 benchmark 表，目前没有和 Flash changelog 一样完整的配置说明页面。

所以现在最值得追问的，不是“官方是不是骗人”，而是：

62.7 是在哪套 harness、哪档 reasoning effort、多少 token budget、什么工具约束下跑出来的？

这几个参数不补齐，数字可以看，但还很难直接拿来做生产选型。

03Terminal-Bench 确实换过版本，但不能直接叫“偷换对照组”

原稿里我本来想把 Terminal-Bench 的版本变化当成一个大问题。

再核一遍后，这个说法需要收回来一点。

4 月 V4 Pro Preview 发布时，Hugging Face 模型页里公开的是 Terminal-Bench 2.0；现在 0813 的对比表用的是 Terminal-Bench 2.1。

2.0 和 2.1 的绝对分数当然不能直接横着相减。

但 0813 表里写的 Preview 基线是 72.1，而不是直接拿 4 月 2.0 的 67.9 来做减法。换句话说，一个更合理的解释是：官方把 Preview 也重新放到 2.1 上跑了一遍，再拿 72.1 和 87.9 对比。

如果是这样，72.1 → 87.9 这一组本身仍然是同版本 benchmark 下的比较。

所以这里真正的问题不是“换卷子以后硬算涨分”。

而是：

我们现在缺少一份足够完整、可独立复跑的 eval recipe，来确认这两个分数是在完全相同的 harness、effort 和预算下得到的。

这个问题没那么刺激，但比一句“偷换对照组”准确得多。

04社区反馈没有推翻跑分，但把“默认体验”这个坑暴露出来了

跑分出来几个小时以后，社区已经有人开始真用。

Hacker News 上有一条很具体的单例：同一个新功能开发任务，一位用户用 Codex CLI 分别跑 DeepSeek V4 Pro 0813 和 Grok 4.6。DeepSeek 跑了 12 分 02 秒、花了 0.12 美元，结果还有 bug；Grok 跑了 3 分 18 秒、花了 1.41 美元，结果没 bug。

这个案例当然不能证明谁强谁弱。

样本只有一条，项目、prompt、运行环境也不受控。

但它提醒了一个非常实际的问题：

agent 最终要比的不是“每百万 token 多少钱”，而是“把任务正确做完一次多少钱”。

便宜十倍，如果要多跑三轮、人工返工两次，最后就未必真便宜。

Simon Willison 的观察更值得注意。

他测试 V4 Pro 0813 时，把 reasoning effort 分别切到 low / medium / high，得到的结果风格差异非常大，大到他说自己没在其他模型上注意到过这么明显的区别。

这里同样不能从一张“骑自行车的鹈鹕”推导 coding 能力。

但它至少证明了一件事：

reasoning effort 对这个模型的行为影响，值得被当成一等变量，而不是一个无关紧要的小开关。

这会直接回到那张 benchmark 表上。

如果榜单跑的是高 effort，而你生产环境为了速度和成本用 medium，甚至默认档，那么“87.9”跟你的真实体验之间，本来就可能隔着一层。

05真要选型，我现在反而不会先看“离 Fable 5 差几分”

如果你只是看模型发布，87.9 对 88.0 很刺激。

但如果你真准备把 V4 Pro 接进自己的 Agent，我建议先把这 0.1 分忘掉。

自己准备一组任务。

最好不是几十道单轮问答，而是真正贴近生产的那种：

• 一个你熟悉的仓库；
• 固定同一套 harness；
• 固定工具权限；
• 固定 reasoning effort；
• 固定最大 token / 时间预算；
• 每个任务至少重复几次；
• 记录一次做对的比例、平均完成时间、人工接管次数和最终成本。

最后比较的指标也别只放“token 单价”。

至少要多看一个：

cost per successful task——成功做完一次任务，到底花多少钱。

这才是 Agent 时代更接近真实使用的价格。

否则很容易出现一种很荒谬的选型：

A 模型每百万 token 便宜十倍，所以你觉得它成本低；

结果它为了做完同一个任务，token 烧得更多、重试更多、人工返工更多。

账单最后并没有便宜十倍。

甚至可能反过来。

06写在最后

涨价和跑分放在一起看，可以，但别急着写成“套路”

这次发布还有一个细节，我觉得值得放到结尾。

DeepSeek 官方价格页现在明确挂着一句提醒：

计划近期整体上调 DeepSeek API 服务的定价，预计涨幅较大，具体方案另行通知。

而 V4 Pro 0813 当前仍然是：

• 缓存命中输入：0.025 元 / 百万 token
• 缓存未命中输入：3 元 / 百万 token
• 输出：6 元 / 百万 token

于是很容易形成一个特别顺的故事：

先用“逼近 Fable 5”的跑分把价值锚打上去，再涨价。

这个故事很有传播力。

但现在没有证据证明两件事之间存在这样的因果设计。

所以我不准备把它写成“DeepSeek 的营销套路”。

不过，从用户的选型心理来看，两件事放在一起确实会产生一个很实际的效果：

跑分开始变成涨价前的价值锚。

以前你看 DeepSeek，第一反应可能是：

“它便宜到什么程度？”

现在这张表会逼着你换一个问法：

“如果它真能做到 Fable 5 附近，那它应该值多少钱？”

这才是这次发布真正有意思的地方。

DeepSeek 接下来涨多少，官方还没公布。

62.7 能不能被第三方稳定复现，现在也还不知道。

所以这个节点上，我不会因为 87.9 vs 88.0 就宣布“国产模型已经追平 Fable 5”，也不会因为一两个社区翻车案例就反过来宣布“官方 benchmark 全是水”。

这两个结论都太省事了。

如果你真准备把它接进自己的 Agent，最值得做的事情其实非常朴素：

拿同一套任务、同一套 harness、同一档 effort，把它和你现在正在用的模型正面对跑。

然后别只看榜单，也别只看 token 单价。

看它十次任务里能正确交付几次。

看你要接管几次。

看最后一件真正完成的工作，花了多少钱。

因为等 DeepSeek 真把价格调上去以后，决定 V4 Pro 值不值的，不会是那张写着 62.7 的表。

而是你的下一张账单，以及它到底替你做成了多少事。

真正该盯的不是它离 Fable 5 还差 0.1 分。

而是同一个真实任务跑十遍以后，它还值不值你付下一次钱。

08参考材料

• DeepSeek API Models & Pricing：https://api-docs.deepseek.com/zh-cn/quick_start/pricing/
• DeepSeek API Your First API Call：https://api-docs.deepseek.com/
• DeepSeek API Change Log：https://api-docs.deepseek.com/updates/
• Simon Willison：DeepSeek V4 Pro 0813 (on OpenRouter)：https://simonwillison.net/2026/Aug/12/deepseek-v4-pro-0813/
• DeepSWE 论文：https://arxiv.org/abs/2607.07946
• Hacker News：DeepSeek V4 Pro 0813：https://news.ycombinator.com/item?id=49274600