DeepSeek-V4-Flash（版本号 0731）于昨日正式开启 API 公测。该模型拥有 284B 总参数、13B 激活量，支持 1M 上下文窗口与 384K 最大输出，专攻 Agent 应用场景。
尽管此次仅为后训练层面的更新，但其在代码智能体领域表现卓越：Terminal Bench 2.1 得分 82.7，CyberGym 76.7，Toolathlon-Verified 70.3。这组数据涵盖了终端实操、安全防护与多工具调度等 Agent 核心场景。
图片来源：更新日志 | DeepSeek API Docs
除基准测试外，真实交付能力更为关键。本次测评在 Codex 环境下，通过三道开放实战任务对模型进行极限压测：
从零开发：无脚手架状态下自主搭建个人知识管理系统，考察需求分析与闭环落地能力；
长链研究：全局联网生成全球 AI 产业五层研究报告，考察多步骤执行下的目标对齐能力；
异地接续：零历史记忆接管上一轮代码并完成审查重构，考察陌生上下文理解与安全修改能力。
这三项任务对应 Agent 落地最易溃败的三个断层。测试不设标准答案，仅以最终交付结果为评判依据。
模型架构与技术解析
DeepSeek-V4-Flash-0731 延续了 284B 总参数、单 Token 动态激活 13B 的纯文本 MoE 架构，提供 1M 上下文窗口与 384K 最大输出。
其长文本能力基于 43 层 Transformer 的特殊设计：前两层采用纯滑动窗口注意力，后续层交替使用 CSA（压缩稀疏注意力）与 HCA（强压缩注意力）。CSA 将连续 Token 压缩 4 倍并精准挑选相关 KV 条目；HCA 则将压缩率提升至 128 倍，保留粗粒度全局信息。两者辅以滑动分支，将计算开销控制在可控范围，使百万 Token 上下文在工程部署中具备可行性。
MoE 结构上，模型每层包含 1 个共享专家与 256 个路由专家（单 Token 激活 6 个），前 3 层采用确定性 Hash 路由并引入多 Token 预测机制。模型在 32 万亿 Token 上完成预训练，大部分参数由 Muon 优化器更新。后训练流程先培养数学、代码、Agent 等专项专家，再通过在线策略蒸馏融合。0731 版本重做了后训练，针对性强化了代码与工具调用场景。
目前，0731 权重已完全开源。官方配置文件显示，其核心架构未变，新增模块主要服务于推理解码加速。公布的 9 项成绩聚焦于代码、终端操作与工具调用，明确其作为纯文本 Agent 模型的定位。
实测表现深度分析
实测一：个人知识管理系统从零开发
任务要求从空目录开发可运行的个人知识管理系统，涵盖注册登录、笔记管理、标签分类、统计看板、Markdown 导出、SQLite 持久化及测试，并支持后续迭代增加批量导入、备份恢复与双向链接功能。技术栈限定 Python3.12 与 FastAPI，前端使用原生 HTML/CSS/JS。
模型两轮累计用时约 162 分钟。交付物支持一条命令启动，前端无刷新切换，后端与数据库联动正常。批量导入支持 md 文件和压缩包，具备重复内容识别与危险路径拦截功能；备份恢复包裹在事务中，支持失败回滚；双向链接功能完整。
代码分层清晰，数据库查询防注入，用户输入防脚本，具备数据迁移逻辑及多用户数据隔离机制。第一轮开发耗时约 88 分钟，第二轮增量开发约 74 分钟，展现了“先理解再动手”的工程节奏。
体验验证显示，注册、笔记、标签、搜索、统计及导出全流程通畅，且多用户数据隔离有效。但在验收中也发现不足：技术栈未严格遵循 FastAPI 要求而使用了 Flask；笔记 Markdown 渲染、全量导出格式、批量导入标签位置及双向链接时序存在细节缺陷。此外，启动服务时因未区分阻塞型命令与后台服务，导致任务界面挂起 41 分钟。
实测二：AI 产业五层研究报告
任务要求联网完成全球 AI 产业基本面研究报告，涵盖芯片算力、数据中心、基础模型、开发平台及行业应用五层，交付 PPT、PDF、Excel 数据表及来源清单，并区分事实、估算与判断。
全程耗时约 36 分钟，几乎无返工。交付的 17 页 PPT 结构完整，数据来源以公司财报和权威机构为主，准确抓取最新数据。Excel 自带自动检查页，标注数据性质，来源清单写明口径，有效区分收入、合同额等财务概念。
报告对普通读者友好，每页均有清晰标题及数据来源标注。模型创建了 sources.md 文件，标注所有数据来源链接，便于快速溯源。这种透明度对投资研究与行业分析极具价值。
数据链条规范、可追溯。短板集中在排版细节，如 PPT 标题溢出或不对齐，仍需人工精修。该任务的核心价值在于构建了可审计的数据链，而非单纯的搜索能力。
实测三：陌生仓库审查与修复
任务要求在全新会话中接手陌生项目，运行测试并理解代码，重点审查登录权限、数据隔离、密码处理、注入攻击等安全风险，修复高优先级问题并补充测试。
模型先跑通 37 项基线测试，随后完成代码走读与安全审计。它精准指出了恶意压缩包防护、错误信息收敛、上传恢复限制等三个关键风险，并主动使用独立临时数据库进行验证。面对测试框架等待机制问题，模型选择了更合适的等待方式而非修改业务代码。
修复后测试项增至 53 项，新增 16 项安全专项测试，12 项端到端场景全部通过。审查报告结构完整，附带耗时记录，展现了自我复盘意识。
模型复刻了人类工程师“先跑起来、再读文档、最后小心修改”的流程，修改集中在后端安全边界，未破坏原有功能，体现了“胆大心细”的特点。
过程同样暴露短板：任务耗时约 86 分钟，大部分消耗在服务启动环节。模型反复用同步命令运行常驻服务，导致长时间等待，且清理临时环境变量方式偏粗暴。这反映出模型缺乏时间感知与主动脱困能力，同时也揭示了 Agent 框架在区分同步命令与后台服务方面的设计缺陷。
优势与局限分析
综合三道测试题，模型长板明显：在需自主建立状态、验证状态的任务（如事务、校验、回归）中完成度极高。其长链推理和交付能力强于环境生存能力，能独立完成大部分工作，坚持使用原生技术而不依赖外部框架掩盖难度。
短板集中于需感知外部环境状态的场景，如进程运行状态、命令后台执行等。具体表现为硬性约束偶尔走样、收尾细节遗漏、缺乏时间感知及遇到阻塞命令死等。这表明模型目前适合有人监控的自动化流程，而非完全无人值守的生产环境。
竞品对比与生态位
图片来源：DeepSeek-V4-Flash-0731 更新公告
与 Deepseek-v4-flash-Preview 相比，0731 在 DeepSWE、DSBench-Hard 及 DSBench-FullStack 等指标上实现数量级提升，证明后训练配方决定了模型能力上限。与 DeepSeek-V4-Pro-Preview 相比，Flash-0731 在 NL2Repo、CyberGym 等 Agent 场景中反超，说明在具体任务上，后训练、推理预算和 Agent 框架比单纯堆砌参数规模更重要。
这一结果打破了“参数越大越强”的固有认知，证明后训练质量可改写规模差距。对外部模型，Flash-0731 在 TerminalBench2.1 等指标上领先 GLM-5.2，接近 Opus-4.8，但在最难长期 Coding Agent 任务上仍有差距。
当前大模型路线分化明显：Kimi K3 拼多模态与总参数，GLM-5.2 强调长程任务自主闭环，Claude Opus 5 等守住数日级自治标杆。DeepSeek-V4-Flash-0731 则选择另一条路：不拼多模态，用 13B 激活将代码、终端、工具调用等文本 Agent 高频场景做到极致，同时压低调用成本。这种“小马拉大车”的实现方式，为高频调用 Agent 的团队提供了高性价比的产品路线。
需注意，官方表格中不同模型使用各自的 Agent 框架与推理设置，跨模型分数不能直接等同于日常体验。总体而言，deepseek-v4-flash-0731 定位为轻量激活的长上下文 Agent 基座，以 284B 核心目标模型、13B 激活的规模，重点强化代码、终端、工具调用和全栈开发能力。
结语
测试表明，deepseek-v4-flash-0731 已能完成真实、复杂且可验收的工作，三道题均交出完整成品。同时，其在进程等待等环节的表现也提醒我们，Agent 能力不仅取决于模型本身，还受限于框架设计与环境交互。
大模型竞争重心已从“谁答得更对”转向“谁更能闭环”。当 284B 参数配合 13B 激活，百万级上下文不再意味着高昂资源消耗，Agent 任务门槛大幅降低。未来的关键在于：后训练带来的能力提升能否在更多真实场景中稳定复现，以及在无人值守流程中如何解决“死等”等兜底问题。这些问题的答案，比榜单分数更为重要。
[1] DeepSeek API Docs，deepseek-v4-flash 官方更新日志
[2] Hugging Face，DeepSeek-V4-Flash-0731 官方模型权重
[3] Hugging Face，DeepSeek-V4-Flash-0731 配置文件
[4] DeepSeek-AI，DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence
[5] DeepSeek API Docs，模型与价格
