DeepSeek-V4-Flash 正式版深度解读：Agent 能力暴涨 7 倍，价格却只有 GPT-5.6 的 1/40

本文基于 DeepSeek 官方公告、Artificial Analysis 数据及开发者实测整理。

🔥 引子：一份让硅谷睡不着觉的成绩单

2026 年 8 月 3 日，一份全球 AI 大模型周调用量榜单在开发者社区炸开了锅。

中国 AI 大模型周调用量，连续第 14 周超过美国。 上周全球总调用量 56.8 万亿 Token，排名前五的模型——全部来自中国。

排在第一的，是 7 月 31 日刚刚发布正式版的 DeepSeek-V4-Flash：7.22 万亿 Token 周调用量，环比增长 13%。

这个数字本身已经够震撼了。但真正让硅谷坐不住的，是另一组数据：

• • DeepSWE 基准从 7.3 飙到 54.4——暴涨近 7 倍
• • Agent Last Exam 25.2 分，逼近 Anthropic 旗舰 Opus 4.8 的 25.7 分
• • 缓存命中价格 $0.0028/百万 Token，比 GPT-5.6 Luna 便宜两个数量级
• • 2000 万 Token 的 Agent 任务，折前只要 $3.5

130 亿激活参数，打出了 7440 亿总参数模型的效果。价格，只有对手的四十分之一。

这不是"追上了"——这是重新定义了游戏规则。

📊 现状分析：正式版到底改了什么

架构一览：MoE 的极致效率

DeepSeek-V4-Flash 正式版沿用了 MoE（混合专家）架构，核心参数如下：

🧠 类比理解：如果把大模型比作一家公司，总参数是"员工总数"，激活参数是"每次开会实际到场的人数"。GLM-5.2 有 7440 名员工、每次 400 人开会；V4-Flash 只有 2840 名员工、每次 130 人开会——但开出来的会，效果不相上下。这就是 MoE 架构的精髓：不是所有人都要上班，但每次上班的都是最对的人。

正式版的关键变化

官方明确表示，正式版仅重新进行了后训练（post-training），模型底座参数没有变化。但这步"后训练"，效果却是脱胎换骨的：

后训练做到这个程度，说明 DeepSeek 在强化学习对齐和 Agent 行为塑造上，已经有了非常成熟的方法论。底座不变、能力暴涨——这不是"换了个模型"，是"同一个人去了趟训练营，回来变了个人"。

🧩 核心论点拆解

🏆 维度一：性能跃迁——130 亿激活参数，凭什么打出旗舰效果

先看完整的官方基准测试成绩：

最值得关注的是 Agent Last Exam——这个基准被公认为衡量 AI Agent 综合能力的"高考"：

V4-Flash 以 130 亿激活参数，打出了 25.2 分——只比 Anthropic 的旗舰 Opus 4.8 低 0.5 分，却比自家的 V4-Pro 预览版高出 9.4 分。

再看 Artificial Analysis 智能指数，这是业界最权威的综合能力评分之一：

50 分 vs 51 分——差距只有 1 分。但 V4-Flash 的价格，是 Luna 的四十分之一。

一个类比：这就像一辆 1.5T 排量的车，在赛道上跑出了接近 V8 跑车的圈速。不是排量决定一切——是效率工程决定一切。

💰 维度二：价格屠夫——重新理解 AI 推理经济学

先看 V4-Flash 正式版的完整定价：

这个价格意味着什么？来做一个单任务成本对比：

即使 GPT-5.6 Luna 降价 80%，V4-Flash 的单任务成本仍然低约 60%。

更关键的是缓存命中折扣的差异：

💡 为什么 98% 缓存折扣这么重要？ Agent 任务的特点是"多轮对话+大量重复上下文"——系统提示、工具定义、历史消息在每一轮都会被重新发送。如果缓存命中率高（Agent 场景通常 95% 以上），那 98% 的折扣意味着：你只在 2% 的 Token 上付全价，其余几乎免费。8 个百分点的差距，在大规模调用下就是真金白银。

来看一个具体场景：一个企业每天跑 1000 次 Agent 任务，每次 2000 万 Token，98% 缓存命中：

一年省下 300 万美元。 这不是"省了一点"——这是"省出了一整个团队的成本"。

🤖 维度三：Agent 时代——从“能聊”到“能干”的质变

DeepSWE 从 7.3 飙到 54.4，这个数字需要放在具体场景里才能感受到它的分量。

DeepSWE 测的是什么？是让 AI 像一个真正的软件工程师一样，独立完成从理解需求到修改代码到运行测试的全流程。7.3 分意味着"基本干不了"；54.4 分意味着"能独立完成相当一部分工程任务"。

来看两位开发者的实测对比：

⚡ 张泽的实测说明：在特定 Agent 任务上，V4-Flash 不仅更便宜，还更快。130 亿激活参数的低推理延迟，在实时交互场景中是巨大优势。

开发者孙涛的评价更为中肯：

这个评价非常务实——V4-Flash 不是"全面超越 GPT-5.6"，但在推理、代码、长文档三个方向上，已经具备和旗舰模型掰手腕的能力，而且价格只有对方的零头。

再来看 V4-Flash 支持的思考/非思考双模式：

双模式的价值在于一个模型覆盖两类需求。不需要为简单任务调一个轻量模型、为复杂任务再切一个重量模型——V4-Flash 自己就能在两种模式间切换。对于 Agent 编排来说，这意味着更简单的工程链路。

从"能聊"到"能干"，这四个字的分量比你想象的更重。过去两年，大模型的竞争主轴是"谁的回答更聪明"——基准测试刷分、排行榜你追我赶。但 Agent 时代的竞争主轴变成了"谁能把事情做完"——不只是生成一段文字，而是理解任务、规划步骤、调用工具、验证结果、自我纠错。

DeepSWE 从 7.3 到 54.4 的跃迁，本质上是 V4-Flash 从"能写代码"进化到了"能做工程"。写代码是生成一个函数，做工程是理解一个项目结构、定位问题文件、修改代码、运行测试、确认通过。这中间隔着几道认知鸿沟——而 V4-Flash 正式版跨越了这些鸿沟。

Toolathlon-Verified 70.3 分和 Cybergym 76.7 分同样值得关注。前者衡量多步工具调用推理能力，后者衡量网络安全攻防场景的执行能力——这两个方向都是 Agent 落地的核心战场。V4-Flash 在这两个基准上的表现，说明它不只是一个"代码模型"，而是一个具备多领域 Agent 执行能力的通用模型。

🔥 维度四：格局改写——连续 14 周领跑意味着什么

8 月 3 日的全球调用量榜单，是这篇文章最有分量的数据：

几个关键信号：

GPT-5.6 Luna 的 +456% 环比增长看似惊人，但注意背景：这是在降价 80% 之后的结果。OpenAI 用"骨折价"换来了上榜资格——而 DeepSeek 不需要降价，因为它的原价就已经是骨折价了。

小米 MiMo-V2.5 的 -40% 环比下滑也值得关注。这说明市场正在向头部集中——V4-Flash 发布后，大量原本使用 MiMo 的开发者转向了性价比更高的 DeepSeek。

🛠️ 对用户的影响：怎么用起来

Dify 接入实战：5 分钟跑通

DeepSeek 提供 OpenAI 兼容 API，在 Dify 中通过「OpenAI-API-compatible」供应商即可接入。

以下是完整配置：

# Dify 接入 DeepSeek-V4-Flash 配置
# 路径：设置 → 模型供应商 → OpenAI-API-compatible → 添加模型

# ── 基础配置 ──
provider: openai_api_compatible
model_name: deepseek-chat            # 模型标识
model_display_name: DeepSeek-V4-Flash  # 显示名称
model_type: llm
mode: chat

# ── API 配置 ──
api_key: sk-your-deepseek-api-key    # 替换为你的 API Key
api_base: https://api.deepseek.com/v1  # DeepSeek API 端点

# ── 模型参数 ──
context_size: "1048576"              # 1M 上下文
max_tokens: 8192                     # 最大输出 Token
temperature: 0.7                     # 温度参数
top_p: 0.95                          # Top-P 采样

# ── 能力支持 ──
supported_capabilities:
  - function_calling                 # 支持 Function Calling
  - stream_mode                      # 支持流式输出
  - vision: false                    # 当前版本不支持视觉

# ── 模型版本指定 ──
# 在 API 调用时通过 model 参数指定版本：
# model: "deepseek-chat"  →  默认指向 v4-flash-0731
# 如需显式指定：
# model: "deepseek-chat"
# extra_body:
#   model_version: "v4-flash-0731"

接入后，你可以在 Dify 的 Agent 应用中直接选择 DeepSeek-V4-Flash 作为 LLM 节点，并开启 Function Calling 能力。

vLLM 自部署：中小企业的私有化方案

对于有数据合规需求的企业，V4-Flash 也支持通过 vLLM 自部署：

130 亿激活参数是 V4-Flash 自部署的核心优势。对比 GLM-5.2 的 400 亿激活参数，V4-Flash 的推理显存需求只有前者的约 1/3——这意味着用更少的 GPU 就能跑起来，对中小企业来说门槛大幅降低。

选型建议：什么时候用 V4-Flash

一句话总结：如果你在做 Agent、写代码、处理长文档，且对成本敏感——V4-Flash 是 2026 年下半年性价比最高的选择，没有之一。

🧊 冷静思考：狂欢之下的几个隐忧

数据和情绪都很燃，但作为技术观察者，有几个问题需要冷静看待。

第一，Agent Last Exam 的 25.2 vs 25.7 差距虽小，但方向不同。 Opus 4.8 的 25.7 分是在更广泛的任务分布上取得的；V4-Flash 的 25.2 分可能集中在推理/代码/长文档等优势领域。在开放域创意写作、复杂多语言翻译等场景，差距可能更大。孙涛说的"比 GPT 5.6 差一些"是诚实的。

第二，调用量不等于收入。 V4-Flash 7.22 万亿 Token 的周调用量确实惊人，但以 $0.0028/MTok 的缓存命中价格计算，大量调用的实际收入可能远低于按原价估算的规模。薄利多销的商业模式，需要极高的规模化运营能力来支撑。

第三，MoE 架构的部署复杂度不容忽视。 虽然 130 亿激活参数降低了推理显存需求，但 2840 亿总参数的模型权重仍然需要全部加载到显存中。这对部署硬件的总显存容量提出了不低的要求——"激活参数少"不等于"部署门槛低"。

第四，竞争格局瞬息万变。 GPT-5.6 Luna 靠降价 80% 就实现了 +456% 的环比增长。如果 OpenAI 进一步降价或推出更具性价比的模型，当前的格局可能很快被打破。14 周的领先，在技术竞赛的长跑中只是一段冲刺。

第五，小米 MiMo-V2.5 的 -40% 环比下滑值得警惕。 这说明市场正在快速向头部集中——V4-Flash 发布后，大量开发者从其他国产模型迁移过来。短期内这是 DeepSeek 的红利，但长期来看，如果国产模型之间互相"内卷"而忽视了与海外旗舰模型的差异化竞争，可能会出现"赢了调用量、输了技术天花板"的局面。中国模型需要在多模态、自主规划、长程推理等前沿方向持续投入，而不仅仅在价格战中消耗弹药。

第六，后训练的效果能否持续？ V4-Flash 正式版仅通过后训练就实现了 Agent 能力的暴涨，这固然令人振奋，但后训练的边际收益递减是行业共识。从预览版到正式版的提升幅度，在未来几个版本中能否复制？当后训练的红利被吃尽后，下一个增长点在哪里——是更大的底座、更长的上下文，还是全新的架构范式？这些问题，目前没有答案。

✍️ 写在最后

回到这篇文章的标题——"Agent 能力暴涨 7 倍，价格却只有 GPT-5.6 的 1/40"。

这不仅仅是一个产品的发布，而是 AI 行业竞争逻辑的一次范式转移：

过去，竞争的焦点是"谁的模型更大"。 7440 亿参数碾压 2840 亿参数，万亿参数碾压千亿参数——参数规模就是护城河。

现在，竞争的焦点变成了"谁的效率更高"。 130 亿激活参数打出 25.2 分的 Agent Last Exam，$0.0028/MTok 的缓存命中价格——效率工程正在取代规模暴力，成为新的竞争维度。

DeepSeek-V4-Flash 正式版传递的核心信息是：你不需要最大的模型，你需要的是最对的模型。 在合适的架构设计、精细的后训练对齐、极致的推理优化三者叠加之下，"小马拉大车"不再是一个比喻——而是一种可复制的方法论。

连续 14 周中国模型领跑全球调用量，前五名全是国产——这不是某一家厂商的胜利，而是中国 AI 产业链整体效率优势的体现。从模型训练到推理部署，从 API 定价到开发者生态，中国厂商正在用"极致性价比"改写全球 AI 的竞争格局。

但竞赛远未结束。GPT-5.6 Luna 的 +456% 环比增长提醒我们：当价格不再是壁垒时，真正的竞争才刚刚开始。

下一轮比拼什么？也许是多模态、也许是自主性、也许是可靠性。但有一点是确定的——AI 推理的"1 美分时代"已经到来，再也回不去了。

🔗 参考资料

• • DeepSeek 官方 API 文档
• • DeepSeek-V4-Flash 正式版发布公告
• • Artificial Analysis 大模型智能指数
• • Agent Last Exam 排行榜
• • Dify 官方文档 - OpenAI-API-compatible 接入
• • vLLM 官方文档 - DeepSeek-V4 部署指南
• • GPT-5.6 全面解读（阿强学AI）
• • vLLM v0.25.0 重磅发布：DeepSeek-V4 跨厂商再提速（阿强学AI）

互动话题：V4-Flash 的 130 亿激活参数打出旗舰效果，你觉得是 MoE 架构的胜利，还是后训练的胜利？如果你的团队要做 Agent 应用，你会选 V4-Flash 还是 GPT-5.6 Luna？欢迎在评论区分享你的选型思考和实战经验。