撰文 | 高晓阳
编辑 | 郝鑫
DeepSWE 基准得分从 12.8 跃升至 62.7，提升幅度约 4.9 倍。这是 DeepSeek 官方给出的 V4-Pro 正式版（版本号 0813）在软件工程智能体能力上的核心数据。
8 月 12 日晚，该模型悄然上线 DeepSeek API 文档，未举行发布会或发布官宣推文。
定价策略上，DeepSeek V4-Pro 定位高端走量，价格显著高于 V4-Flash。按每 1M token 计算：缓存命中输入 0.025 元，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 价格涨幅达三倍，输入未命中价格同样翻三倍。
官方对此直言不讳：“计划近期整体上调 DeepSeek API 服务定价，预计涨幅较大”。
为验证其涨价底气，我们采用社区最新的复杂测试手法进行实测。结论显示：此次升级在前端审美与 Agent 执行力上实现质变，但在部分基础逻辑（如“鹈鹕骑自行车”及月亮生成）仍存在偶发性 Bug。
一个悄悄上线的新版本
V4-Pro 并非全新模型，而是此前 Preview 版本的正式转正。自今年 4 月发布以来，历经三个多月打磨，最终以日期"0813"命名正式版。
技术参数方面实现多项突破：支持 1M 上下文长度，输出上限提升至 384K Token；默认开启思考模式（Thinking），同时兼容 Non-thinking 模式；接口全面兼容 OpenAI 与 Anthropic 格式，接入 Claude Code 等 Agent 框架仅需替换 base_url。
官方的叙事，换了一个词
相比参数堆砌，官方叙事重心从“更会答题”转向“更会把一件事干完”。DeepSWE 从 12.8 提升至 62.7，标志着评测维度从“代码片段生成”升级为“持续工程化作业能力”。
九项 Agent 与代码基准全线大涨：Terminal Bench 2.1（终端操作）达 87.9，Cybergym（网络安全）升至 83.3，NL2Repo（自然语言转仓库）涨至 61.5。相较于 Preview 版本，各项指标均有显著提升。
社区对此存在不同声音。有开发者认为 0813 版本略逊于 Luna MX，或部分基准落后于 Kimi K3。由于官方尚未发布完整 Benchmark 报告，第三方实测验证显得尤为关键。
考题换代，从鹈鹕到指环王
测试方法论正在经历迭代。Anthropic 的 Karpathy 提出应告别“鹈鹕骑自行车”类简单测试，转向高复杂度任务。此前 Opus 5 在《指环王》场景生成中耗时 2 小时产出 5500 行代码，虽有效果但存在穿模问题；而 DeepSeek V4 Flash 复现时则出现人物漂浮等明显瑕疵。
本次实测避开基础能力考察，直接接入 Claude Code 的 Anthropic 兼容接口，在真实 Agent 环境中执行 7 项递进式任务：从旧基准“鹈鹕”到新基准“指环王 3D 世界”，再到长周期工程任务。
第一道题，它就翻车了
在经典的“鹈鹕骑自行车”SVG 生成测试中，0813 版本表现不佳。尽管踏板与车轮连接，但车架结构违背物理常识，且云朵方向错误。即便降低推理强度，问题依旧存在。
此类低级失误在 Kimi K3 等模型中也偶有发生，提示我们在关注高光时刻的同时，不可忽视模型在简单逻辑上的稳定性波动。
60 种风格，一张墙
第二项测试要求在一个 HTML 文件中生成包含 60 种设计风格的 Bento 卡片墙，且每种风格需体现典型视觉语言，严禁仅换色敷衍。
0813 一次性通过测试，60 种风格完整呈现，不规则拼贴执行严格。玻璃拟态与粗野主义等截然不同的风格被精准捕捉并并列展示，证明其对设计语料的理解已超越死记硬背。
把一段文字变成一部动画
第三项测试为前端动画叙事：将“老水手夜晚等船”的文字描述转化为自动播放、镜头推进的循环动画页面。
模型交出了完整的叙事作品，画风、节奏与镜头运镜把控得当，文字排版精致且随场景动态出现。唯独月亮绘制再次出现错误，与第一题的鹈鹕问题形成呼应，显示出特定图形生成的不稳定性。
这次，配色终于不像 AI 了
第四项测试为 Three.js 3D 打砖块游戏，要求机制闭环、UI 美观且手感流畅。
测试结果令人印象深刻：游戏逻辑完整，碰撞检测准确，无穿模现象。更重要的是，配色方案摆脱了以往 AI 生成的“蓝紫渐变 + 玻璃拟态”刻板印象，音效与操作反馈均达到顶级模型水准。
让 AI 搭一个中土世界
第五项测试复刻 Karpathy 的新基准：基于《指环王》开篇描述，用 Three.js 构建霍比屯 111 岁生日宴会的 3D 世界。
0813 在有限输入下，成功构建了洞屋、长桌、宾客及烟火等要素，无漂浮或穿模现象。运镜从俯瞰推近至角色特写，效果与 Opus 5 单场景表现相当，证明国产模型在新赛道上并未掉队。
1.5 小时，一座浮岛
压轴测试要求使用 React Three Fiber 构建 3D 浮岛创意网站，涵盖滚动驱动相机、四章节叙事、物件交互及移动端适配等复杂需求。
0813 耗时 1.5 小时完成，并在最后半小时自行测试修复，最终交付零 Bug 版本。转场、运镜及交互体验极佳，仅在初始界面存在轻微过曝问题。
对比历史成绩，0813 在 V4-Flash 基础上补齐了运镜与交互短板，性能表现扎实，印证了其高性能定位。
它能连续干完一件事吗
最后一项测试聚焦长周期工程能力：从零搭建全栈记账本应用，连续完成三轮迭代（核心功能、统计分类、预算提醒），每轮均需修改多文件、运行测试并自主修复 Bug。
模型全程自主完成三轮迭代，测试不通过即自动修复，无需人工介入。这种“稳稳接住需求”的工程化能力，是其作为 Agent 的核心竞争力。
一个可能被低估的版本
综合七项测试，0813 版本展现出超越官方基准的立体画像：
- 前端审美质变：从配色到运镜，彻底告别"AI 感”，跻身顶级模型行列。
- 创意任务高分：复杂 3D 场景构建零失误，单场景表现媲美国际顶尖模型。
- 工程能力扎实：具备测试闭环与自修 Bug 能力，真正实现了“连续干活”。
尽管在鹈鹕与月亮等简单图形上存在偶发失误，但瑕不掩瑜。随着 Grok 4.6 等竞品的发布，大模型行业正集体转向高性能、高价值路线。对于 DeepSeek V4-Pro 而言，即便价格上涨，其展现出的综合实力依然极具性价比。
