Terminal Bench 82.7 反超 Pro 預(yù)覽版V4-Flash Agent 能力拆解先說一個(gè)反常識(shí)的事實(shí)2026 年 7 月 31 日上線的 DeepSeek-V4-Flash 正式版在一個(gè)關(guān)鍵 Agent 基準(zhǔn)上把自己的大哥 V4-Pro-Preview 踩在了腳下——Terminal Bench 2.1 得分 82.7獨(dú)立測(cè)算比 V4-Pro-Preview 高約 14.7%。這不是 Pro 版拉胯。恰恰相反它說明一個(gè)被很多團(tuán)隊(duì)忽略的事實(shí)決定 coding agent 上限的不只是模型參數(shù)還有后訓(xùn)練怎么打磨。據(jù)公開信息這次升級(jí)沒有更換模型架構(gòu)、沒有增加參數(shù)量官方的主要?jiǎng)幼魇侵匦伦龊笥?xùn)練Agent 能力就出現(xiàn)了肉眼可見的躍升。這篇文章把官方公布的基準(zhǔn)逐個(gè)拆開講清楚每一分到底測(cè)的是什么、對(duì)做代碼助手的團(tuán)隊(duì)意味著什么以及這份成績(jī)單里藏著哪些沒說出口的限定條件。一個(gè) Flash 版憑什么讓 Pro 預(yù)覽版尷尬先對(duì)齊一個(gè)前提DeepSeek-V4 系列走的是雙軌策略——V4-Pro 是旗艦V4-Flash 是輕量版主打低延遲、低成本。按常理Flash 版應(yīng)該是夠用就好的定位Pro 版才是性能天花板。但這次正式版更新官方把升級(jí)重點(diǎn)全部押在了 Flash 的 Agent 能力上本次僅升級(jí)了 V4-Flash 的 API 接口V4-Pro API 及 APP/WEB 端模型未做任何更改V4-Pro 正式版將會(huì)盡快發(fā)布。翻譯成人話你現(xiàn)在能拿到的最強(qiáng) DeepSeek Agent 能力不在 Pro 上在 Flash 上。對(duì)正在選型的人來說這直接改變了一個(gè)判斷——之前要 Agent 能力就等 Pro 正式版的預(yù)期不成立了。想用上 DeepSeek 打磨過的 Agent 能力現(xiàn)在就可以動(dòng)手不必等。Terminal Bench 2.1 82.7這不是寫代碼分?jǐn)?shù)是干活分?jǐn)?shù)Terminal Bench 評(píng)測(cè)的是 agent 在真實(shí)終端環(huán)境里完成工程任務(wù)的能力跑命令、讀報(bào)錯(cuò)、改代碼、反復(fù)試錯(cuò)直到任務(wù)完成。它和傳統(tǒng)代碼生成基準(zhǔn)最大的區(qū)別是——沒有一次寫對(duì)的優(yōu)雅只有最終搞定的結(jié)果。測(cè)的是 agent 在無人看管情況下獨(dú)立把活干完的耐力。V4-Flash 正式版在 Terminal Bench 2.1 拿到 82.7這個(gè)數(shù)字的多源驗(yàn)證情況如下基準(zhǔn)分?jǐn)?shù)校驗(yàn)狀態(tài)說明Terminal Bench 2.182.7? 多源一致終端工程任務(wù)獨(dú)立測(cè)評(píng)方亦引用該數(shù)NL2Repo54.2? 多源一致自然語言需求 → 完整代碼倉庫Toolathlon verified70.3? 多源一致工具調(diào)用能力verified 為嚴(yán)格判定版DSBench-Hard59.6 僅官方口徑DeepSeek 內(nèi)部難題測(cè)試集無獨(dú)立來源可核所以呢82.7 意味著什么它不是寫 100 段代碼對(duì) 82 段的作文分而是丟進(jìn)真實(shí)終端環(huán)境、100 個(gè)任務(wù)里獨(dú)立干完 82.7 個(gè)的實(shí)戰(zhàn)分。對(duì)做代碼助手的團(tuán)隊(duì)這個(gè)數(shù)字比任何代碼生成類分?jǐn)?shù)都更接近用戶體驗(yàn)。你的用戶感知到的不是模型會(huì)寫代碼而是它自己把活干完了沒有。NL2Repo 54.2從一句話到一整個(gè)倉庫NL2Repo 測(cè)的是更野的場(chǎng)景給 agent 一句自然語言需求比如寫一個(gè)帶 JWT 認(rèn)證的 FastAPI 項(xiàng)目包含遷移腳本和測(cè)試它要端到端產(chǎn)出一個(gè)結(jié)構(gòu)完整、能跑的代碼倉庫——包括目錄組織、依賴聲明、配置文件和測(cè)試。54.2 分不高但這類任務(wù)的難點(diǎn)在于沒有標(biāo)準(zhǔn)答案只有能不能跑。倉庫級(jí)生成最容易翻車的地方恰恰不在主邏輯而在那些沒人寫文檔的邊角版本兼容、路徑假設(shè)、環(huán)境配置。所以呢如果你的產(chǎn)品是自然語言生成項(xiàng)目腳手架或者從需求直接起步的研發(fā)助手這個(gè)分?jǐn)?shù)比 Terminal Bench 更值得盯——它直接對(duì)應(yīng)你用戶的第一屏體驗(yàn)輸入需求后看到的是一堆能跑的文件還是三秒后的報(bào)錯(cuò)。Toolathlon verified 70.3Agent 的手腳靈活度Toolathlon 測(cè)的是工具調(diào)用——agent 能不能正確決定該調(diào)哪個(gè)工具、傳什么參數(shù)、拿到結(jié)果后下一步干什么。verified 后綴意味著結(jié)果是嚴(yán)格校驗(yàn)過的不是模型自報(bào)。70.3 這個(gè)分?jǐn)?shù)放在當(dāng)前模型梯隊(duì)里屬于什么水平不同榜單口徑略有差異但它反映的能力方向很明確多步工具調(diào)用的可靠性。對(duì)做代碼助手的團(tuán)隊(duì)這直接決定一個(gè)高頻場(chǎng)景的成敗——你的 agent 要調(diào) linter、跑測(cè)試、讀日志、改文件任何一步工具調(diào)用出錯(cuò)整條鏈就斷了。所以呢工具調(diào)用是 Agent 的手腳模型能力再強(qiáng)手腳不穩(wěn)也干不成活。70.3 的 verified 分?jǐn)?shù)意味著在每步都要?jiǎng)邮值墓こ倘蝿?wù)里這個(gè)模型值得一試而不是直接排除。至于具體體驗(yàn)如何必須拿你的真實(shí)工具鏈跑一輪才知道。和 V4-Pro-Preview 比到底強(qiáng)了多少文章摘要里說多項(xiàng)基準(zhǔn)遠(yuǎn)超 V4-Pro-Preview獨(dú)立來源 flowtivity 的測(cè)算給出了一個(gè)具體數(shù)字Terminal Bench 2.1 上比 V4-Pro-Preview 高約 14.7%。注意一個(gè)細(xì)節(jié)這次對(duì)比的基準(zhǔn)是預(yù)覽版Pro不是正式版。官方明確表示 V4-Pro 正式版將會(huì)盡快發(fā)布——也就是說Flash 正式版目前的領(lǐng)先很可能是暫時(shí)的。預(yù)覽版和正式版之間的差距通常正是后訓(xùn)練打磨的那部分而這次 Flash 的躍升恰恰來自后訓(xùn)練。所以呢現(xiàn)在這個(gè)時(shí)間點(diǎn)做選型決策正確的姿勢(shì)是短期1-3 個(gè)月內(nèi)需要 Agent 能力V4-Flash 正式版是當(dāng)下可用的最優(yōu)解但如果你的架構(gòu)切換成本高值得等 V4-Pro 正式版發(fā)布后再做最終決定。不要因?yàn)?Flash 領(lǐng)先就斷言 Pro 不行——這兩者的差距正是后訓(xùn)練投入的差距。對(duì)做代碼助手團(tuán)隊(duì)這是當(dāng)下性價(jià)比最高的入口之一把數(shù)據(jù)放回成本視角事情就更清楚了。獨(dú)立來源 flowtivity 測(cè)算 V4-Flash 輸入價(jià)格約$0.14/百萬 tokens——一個(gè) Flash 版模型Agent 能力打到了 Pro 預(yù)覽版之上價(jià)格卻是輕量版的價(jià)位。對(duì)做代碼助手的團(tuán)隊(duì)這意味著試錯(cuò)成本極低用 Flash 版跑通你的工具鏈驗(yàn)證花的錢幾乎可以忽略單位成本下的 Agent 能力密度高同樣預(yù)算能支撐的用戶量級(jí)和調(diào)用頻率完全不同調(diào)用方式零遷移成本模型名設(shè)為deepseek-v4-flash即可base_url不變兼容 OpenAI/Anthropic 接口官方文檔確認(rèn)API 調(diào)用方式與之前完全一致兼容 OpenAI ChatCompletions 與 Anthropic 接口Claude Code、GitHub Copilot、OpenCode 等工具可直接把 DeepSeek 作為后端模型使用無需改代碼importosfromopenaiimportOpenAI clientOpenAI(api_keyos.environ.get(DEEPSEEK_API_KEY),base_urlhttps://api.deepseek.com,)responseclient.chat.completions.create(modeldeepseek-v4-flash,# 已自動(dòng)指向 V4-Flash-0731messages[{role:system,content:你是資深后端工程師},{role:user,content:幫我定位這個(gè) repo 里測(cè)試偶發(fā)失敗的原因},],streamFalse,)print(response.choices[0].message.content)所以呢高性價(jià)比不是營(yíng)銷話術(shù)是這次發(fā)布最硬的事實(shí)Agent 能力反超 Pro 預(yù)覽版 輕量版定價(jià) 零遷移成本三個(gè)條件同時(shí)滿足的情況在主流模型里并不多見。潑冷水這份成績(jī)單的三條限定條件拆完分?jǐn)?shù)說三個(gè)容易被忽略的坑第一DSBench-Hard 是 DeepSeek 內(nèi)部測(cè)試集。59.6 這個(gè)數(shù)字目前只有官方口徑?jīng)]有獨(dú)立機(jī)構(gòu)跑過同樣的測(cè)試集。引用時(shí)請(qǐng)務(wù)必帶上據(jù) DeepSeek 官方的限定它和 Terminal Bench 這類公開基準(zhǔn)的可比性完全不同。第二基準(zhǔn)分?jǐn)?shù)翻倍的說法需要打折。部分媒體在傳播編碼 agent 基準(zhǔn)分?jǐn)?shù)翻倍但多源對(duì)照后官方口徑和獨(dú)立報(bào)道用的都是大幅增強(qiáng)遠(yuǎn)超預(yù)覽版這類表述翻倍沒有獲得明確印證。真實(shí)的提升幅度是顯著的但翻倍很可能只對(duì)個(gè)別子項(xiàng)成立不建議當(dāng)通用結(jié)論傳播。第三Agent 分?jǐn)?shù)高 ≠ 全能力領(lǐng)先。官方只聲稱 Agent 能力增強(qiáng)通用對(duì)話、長(zhǎng)文本等維度并未聲明提升。選型時(shí)如果你的場(chǎng)景偏 RAG、偏寫作而非工程執(zhí)行這個(gè)分?jǐn)?shù)對(duì)你不構(gòu)成決策依據(jù)。結(jié)尾Flash 的逆襲值得重新審視你的模型分層最后說點(diǎn)行業(yè)層面的觀察。V4-Flash 這次的表現(xiàn)對(duì)Flash低配的刻板印象是一次有力的修正后訓(xùn)練投入可以顯著拉開同架構(gòu)模型的 Agent 能力差距輕量版模型完全可以通過打磨獲得超出定位的表現(xiàn)。對(duì)做代碼助手的團(tuán)隊(duì)現(xiàn)在的局面其實(shí)很微妙一邊是 Flash 正式版已經(jīng)可用的高性價(jià)比 Agent 能力一邊是官方預(yù)告的 V4-Pro 正式版。你是現(xiàn)在就切 Flash 跑起來還是等 Pro 正式版一步到位我的建議是后者不沖突——先用 Flash 驗(yàn)證工具鏈Pro 發(fā)布后再做成本與能力的權(quán)衡。數(shù)據(jù)來源DeepSeek API 官方文檔與更新日志2026-07-31、IT之家2026-07-31、極客公園2026-07-31、flowtivity.ai 獨(dú)立測(cè)算2026-07、Unsloth 模型頁。DSBench-Hard 分?jǐn)?shù)為 DeepSeek 官方口徑定價(jià)為第三方測(cè)算值正式價(jià)格以官方定價(jià)頁為準(zhǔn)。