2026年7月31日，DeepSeek正式宣布DeepSeek-V4-Flash正式版（版本號V4-Flash-0731）API上線公測。官方話，今次只係升級 Flash 版本，架構同參數規模與預覽版保持一致，重點透過後訓練大幅加強 Agent 能力，尤其喺代碼修改、工具調用同多步驟任務執行方面表現突出。V4-Pro 正式版則預計會盡快推出。

模型概況同核心規格

DeepSeek V4-Flash 採用混合專家（MoE）架構，總參數約2840億，每次激活約130億參數，支援1M token上下文視窗。呢個設計喺保持較高智能水準嘅同時，明顯降低咗推理成本同硬件門檻，令佢既可以透過 API 高效調用，也可以喺單機高記憶體裝置上本地運行。

官方強調，正式版主要針對 Agent 場景做咗後訓練優化，而唔係單純擴大參數規模。測試中使用咗 DeepSeek Harness 極簡模式，並喺 max 推理檔位下進行評測。

測試指標：多項基準「炸雷」

官方披露嘅數據顯示，V4-Flash-0731 喺多項智能體、代碼與自動化基準上全面超越此前嘅 V4-Pro 預覽版：

Terminal Bench 2.1：得分82.7
DeepSWE：得分54.4
喺九項 Agent 相關基準中整體表現顯著優於 V4-Pro 預覽版
Artificial Analysis Intelligence Index（最高推理檔位）給出50分，遠高於同類可比模型中位數（約17–25分）
部分獨立榜單中，其喺開源權重模型中排名靠前，性價比尤為突出

定價方面，V4-Flash 保持極具競爭力嘅低價策略（輸入約$0.14/百萬Token、輸出約$0.28/百萬Token量級），任務執行成本可低至數美分，僅為部分前沿模型嘅極小比例。呢種「性能—價格」組合令佢表現非常搶眼。

實際使用效果：亮眼數據背後嘅觀察

儘管測試指標表現強勁，社區同獨立評測已開始出現較審慎嘅聲音。部分開發者反映，模型喺標準基準上表現優異，但喺真實複雜工作流中仍存在「benchmark maxed」（基準優化過度）嘅跡象：標準測試得分好高，但實際執行時可能出現唔夠穩定、細節處理粗糙或者長程一致性不足嘅問題。

亦有用戶肯定佢喺代碼 Agent、工具調用同日常自動化任務中嘅實用性，尤其喺成本敏感場景下，低價加上足夠強嘅能力帶嚟明顯體驗提升。整體嚟講，正式版嘅實際效果仍需更大規模、長時間嘅真實場景驗證。

可能影響：開源與高性價比賽道嘅新變數

1. 對開發者與企業嘅影響 極低嘅價格同強化嘅 Agent 能力，令 V4-Flash 成為構建高並發 Agent、代碼助手同自動化流水線嘅有力候選。開發者可以用非常低成本做大規模實驗同部署，降低試錯門檻。

2. 對國產大模型競爭格局嘅影響 V4-Flash 嘅正式發布進一步鞏固咗 DeepSeek 喺高性價比開源/半開源賽道上嘅位置。佢同 Kimi K3、Qwen 等模型形成差異化競爭：前者着重極致成本同 Agent 效率，後者則喺參數規模與綜合智能上發力。

3. 對全球 AI 市場嘅影響 低價高性能模型持續擠壓中端閉源模型嘅生存空間，可能加速「模型路由」策略嘅普及——簡單任務用廉價高效模型，複雜任務再調用旗艦模型。與此同時，開源權重模型嘅實用價值進一步得到驗證。

4. 潛在風險與觀察點

基準與真實表現之間嘅差距需持續跟蹤。
後訓練強化 Agent 能力嘅同時，會唔會引入新嘅幻覺或不穩定性，仍需驗證。
V4-Pro 正式版嘅表現將決定 DeepSeek 喺更高端市場嘅競爭力。

行業啟示：指標同落地之間嘅距