DeepSeek-V4-Pro 正式版实测：山不在高，有“梁”则灵

撰文 | 高晓阳

编辑 | 郝 鑫

DeepSWE 12.8 到 62.7，约 4.9 倍。这是 DeepSeek 官方给出的 V4-Pro 正式版（版本号 0813）软件工程智能体能力提升幅度。

8 月 12 日晚，这个模型悄然出现在 DeepSeek 的 API 文档里，没有发布会，也没有官宣推文。

价格方面，DeepSeek V4 Pro 是走量的高端档，价格明显高于 V4-Flash。按每 1M token 计算，缓存命中输入 0.025 元，缓存未命中输入 3 元，输出 6 元。相比之下，V4-Flash 分别为 0.02 元、1 元和 2 元。输出 token 从 2 元涨到 6 元，正好是三倍。输入未命中从 1 元涨到 3 元，也是三倍。

" 梁圣 " 就是 " 梁圣 "，一如既往地不走寻常路，连涨价预告都一并写得清清楚楚：" 计划近期整体上调 DeepSeek API 服务定价，预计涨幅较大 "。

于是，我们花了一宿，用社区最新的一批复杂测试手法，看看它的涨价底气到底从何而来。

结论先放在这里，这次升级绝对过硬，前端审美发生质变，Agent 能力稳稳得很踏实。不过，也有让我们暂时无解的卡 bug 问题，比如鹈鹕骑自行车翻车了，生成了两个挂在天上的弯月。

一个悄悄上线的新版本

V4-Pro 不是新模型，是转正。今年 4 月 24 日，DeepSeek 发布 V4 系列，Pro 版当时还是 Preview 状态。三个多月后，正式版才来，命名也直白，直接用日期 0813。

这次转正，参数上做了几件实打实的事。上下文支持 1M 上下文长度，输出上限拉到 384K Token，支持 thinking 和 non-thinking 双模式，其中默认开启思考模式状态。接口同时兼容 OpenAI 和 Anthropic 两套格式，接入 Claude Code 这类 Agent 框架可以直接换 base_url。

官方的叙事，换了一个词

比参数更重要的是官方换了个说法，不再强调「更会答题」，而是强调「更会把一件事干完」。有博主把官方数据翻译成人话：DeepSWE 从 12.8 提到 62.7，测的不是「会不会写一段代码」，而是「能不能像工程师一样持续干活」。

九项 Agent 与代码基准全线大涨。Terminal Bench 2.1 打到 87.9（终端操作），Cybergym 提升至 83.3（网络安全），NL2Repo 涨到 61.5（自然语言转代码仓库），DeepSWE 增长到 62.7（软件工程），而相对应的 Preview 版本分别提升 15.8、30.6、23.0、49.9。

社区也存在质疑声，有开发者对比后认为 0813 仍略逊于 Luna MX，也有人指出它约一半基准还落后 Kimi K3。官方至今没有发布完整的 benchmark 报告，这也意味着所有声称都要靠第三方验证。

这就是我们做这次实测的原因，不转述官方数字，自己跑。

考题换代，从鹈鹕到指环王

在动手之前，有个背景必须交代，圈里的测试手法正在换代。8 月 2 日，入职 Anthropic 的 Karpathy 发了一条长推，说我们该告别「鹈鹕骑自行车」这类测试了。

他给 Opus 5 塞了《指环王》第一段，配 100 万 token 的预算（约 10 美元），要求生成三个 JS 渲染版本。Opus 5 跑了约 2 小时，写出 5500 行代码，用 Three.js 搭出一个「有点上世纪国产 3D 动画味」的霍比屯，穿模、漂浮不少。

随后有网友拿 DeepSeek V4 Flash 复现，结果画面人物全员漂浮，穿帮明显。

所以我们给 0813 设计的测试，全部避开了基础能力，用的都是这类最新、最复杂的手法。方式上，我们没有走网页聊天界面，而是把 DeepSeek 接入 Claude Code 的 Anthropic 兼容接口，让它在真实的 Agent 环境里干活。一共 7 项，按难度递进，从鹈鹕这种旧基准，到指环王 3D 世界这种新基准，最后到连续三轮的长周期工程任务。

第一道题，它就翻车了

先说坏消息，DeepSeek-V4-Pro 上来就翻了车。

第一道题是我们的老朋友，即旧基准下的「鹈鹕骑自行车难题」，SVG 生成，让鹈鹕骑上车、动起来。尽管这是 Karpathy 点名要「退休」的考题，但正因为人人测过，拿来当对照组最合适。

0813 的表现是这样的，鹈鹕的脚踩在踏板上，但踏板不在自行车上。车架结构怎么看都不科学，这样的设计，鹈鹕的屁股不会冒火吗？

我们怀疑是推理强度太高导致过度思考，把强度从 max 降到 high 又测了一轮。结果依旧，鹈鹕形状是怪的，天上的云依旧是反向的。

有意思的是，之前测 Kimi K3 也出现过类似情况。难道前端能力超过某个界限之后，反而会在这种简单题上翻车？样本还太少，不好下结论。但第一道题就给我们提了个醒，测试全程不能只看高光。

60 种风格，一张墙

第二道题直接翻盘，让 0813 在一个 HTML 文件里生成一张 Bento 卡片墙，60 种设计风格，每张卡片必须用该风格最典型的视觉语言，不能只换颜色。

结果出乎意料地完整，60 种风格全部实现，严格执行了不规则拼贴的要求，风格之间的差异非常明显，一次通过，没有任何敷衍的「换色卡」，以后 vibe coding 项目再也不用担心风格单调了。

这道题真正见功力的是它对「设计语法」的理解，玻璃拟态和粗野主义在视觉上几乎没有任何共同点，能把它们都抓准并排在一张墙上，说明模型对风格语料的积累是实打实的，而非死记硬背下几种配色方案。

把一段文字变成一部动画

第三道题是前端动画叙事，给 0813 一段描写「老水手夜晚等船」的文字，要求它做成自动播放、循环的动画页面，同时镜头要随时间推进，情绪要靠配色和节奏传达。

它交出了一部完整的叙事，画风、节奏、镜头推进都把握得很好，从镇子远景推到码头，再推到灯塔，自动循环流畅，文字以精致排版叠加在画面上随场景出现。

唯一的问题出在月亮，绘制明显出错。能力这么强的模型，却在简单的月亮上掉链子，和第一道题的鹈鹕简直如出一辙。我们暂时找不到它犯错的规律，只能把它记下来，等样本多了再说。

这次，配色终于不像 AI 了

第四道题是 Three.js 3D 打砖块游戏，我们给出的要求是游戏机制闭环，要能玩到比出胜负，还要兼顾 UI 和游戏手感。

测试下来，游戏完整可玩，碰撞准确没有穿模，丢分、结算逻辑正常，一次通过。但让我们印象最深的不是机制，是配色，配色不再是之前一眼 AI 的感觉。

这句话值得展开，过去大半年，AI 生成的前端有个通病，蓝紫渐变、玻璃拟态、圆角卡片，一眼假。0813 这次交出来的配色、碰撞音效和操作反馈，都已经进入顶级模型的层次，怪不得会宣布要涨价，这样的表现即便涨价也是极具性价比的选择。

让 AI 搭一个中土世界

第五道题是这次的主角，Karpathy 的新基准，给 0813《指环王》第一章的开头，让它用 Three.js 把霍比屯的 111 岁生日宴会搭成一个可运行的 3D 世界。

和 Karpathy 给 Opus 5 完整段落不同，我们只给了一个开头，这样能在短时间内拿到结果。0813 的表现是，洞屋、宴会长桌、宾客、烟火要素齐全，没有漂浮、没有穿模，运镜从俯瞰霍比屯推近到比尔博，之后是单调的左右晃动。

单从这一个场景看，0813 和 Opus 5 不相上下。需要注意的是，这不是说两个模型整体能力相当，因为单场景、单段落，样本仍然有限。但至少说明，在「读懂文学、搭出一个世界」这条新赛道上，国产模型没有掉队。我们会在后续的对比测试里给完整段落，再下最终的结论。

1.5 小时，一座浮岛

第六道题是压轴大戏，我们用与 GPT-5.6、Kimi K3、V4-Flash-0731 完全相同的 Prompt，让 0813 做一个 React Three Fiber 的 3D 浮岛创意作品集网站，滚动驱动相机、四章节叙事、物件交互、Bloom 后处理、移动端降级，全部要求到位。

这道题它花了 1.5 小时，是全场最久。最后半小时，它一直在自己测试项目能不能顺利启动，直到确认没有问题才交付，交付结果首轮 0 bug 运行。

转场、运镜、交互、移动端适配都做得极好。唯一缺点是初始界面过曝，一进页面先被亮光晃到。

历史成绩摆在这里，GPT-5.6 Sol 功能完整度最高，但点击物件时把背景虚化了；Kimi K3 观感和完成度是此前 5 个模型里最好的；V4-Flash-0731 岛会自转、草是动态的，但运镜明显不如前两者。

0813 这次，是在 V4-Flash 的基础上把运镜、转场、交互全部补上了。性能逼近 Fable 5 确实没有信口开河，0813 是有真材实料的。

它能连续干完一件事吗

最后一道题回到官方最狠的宣称，DeepSWE 风格的长周期工程。我们让 0813 从零搭一个记账本全栈应用，连续做三轮迭代，记账核心功能、月度分类统计、预算提醒。每轮都要改多份文件、补测试、跑测试、跑不过自己修。

三轮全部完成，关键是过程，它不是一轮写完假装三轮，而是每一轮都真实跑测试，不通过就自己修 bug，直到通过才进入下一轮。全程没有让我们介入纠错，唯一的小插曲是每新建一个文件它都会申请一次权限。

这种踏实的做事风格真是暖暖的很贴心，模型能力再强，能稳稳接住用户的需求才是王道，0813 在这方面做得很出色。

一个可能被低估的版本

把 7 项测试放回桌面上看，0813 的画像比官方基准更立体。

前端审美是这次最大的质变，从打砖块的配色到浮岛的运镜，它已经告别了「AI 前端一眼假」的阶段，站进了顶级模型的行列。创意类任务全线高分，指环王场景零漂浮零穿模，和 Opus 5 单场景不相上下。长周期工程扎实，测试闭环、自修 bug，是「能连续干活」的样子。

问题也存在，鹈鹕和月亮两处低级失误，都发生在它能力很强的领域，强如 K3 也犯过类似的错误，这个暂时解释不了。

有意思的是，Grok 4.6 几乎和 0813 同一时间发布，一个顶级闭源、一个顶级开源，都是超高性价比的定价路线。这场对决，可能比官方 benchmark 更能说明问题，我们已经在筹备两个模型的同题对比测试。

至于「涨价了还值不值」，以这次的表现，即便涨价，它依然极具性价比。不差钱的 DeepSeek 也正在告别价格战，AI 大模型集体转向高性能、高价值路线已经成为趋势。免费午餐的窗口，正在关闭。

微信号｜TMTweb

公众号｜光子星球

别忘了扫码关注我们！