DeepSeek-V4-Pro正式版实测：山不在高，有“梁”则灵

文 | 光子星球 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