🍃 予枫：个人主页
📚 个人专栏: 《Java 从入门到起飞》《读研码农的干货日常》《Java 面试刷题指南》

💻 Debug 这个世界，Return 更好的自己！

---

昨晚快十一点，LD突然在微信上问了我一个问题：

DeepSeek 这次更新，模型结构和参数量都没有变化，为什么 Agent 能力却提升了这么多？

他刚看完 DeepSeek-V4-Flash-0731 的评测数据。

在官方公布的结果中，Terminal Bench 2.1 达到 82.7 分，DeepSWE 为 54.4 分，DSBench-FullStack 为 68.7 分。几个指标都指向同一件事：新版本在终端操作、软件开发和多步骤任务执行方面，进步非常明显。

但奇怪的是，官方说明里又明确提到，新版本的模型结构和参数规模与此前的 Preview 版本保持一致。

既没有扩大参数量，也没有更换模型架构，能力为什么还能大幅提升？

我当时的第一反应也差不多：是不是评测环境变了？是不是宣传口径有水分？还是模型其实偷偷做了更大的调整，只是官方没有说？

我跟主管说，给我一点时间，我也想把这里面的逻辑搞清楚。

后来仔细看完相关说明，我发现答案其实集中在一个经常被普通用户忽略的环节：

后训练，Post-training。

一句话概括这次更新：

DeepSeek 没有重新造一个更聪明的大脑，而是重新教这个大脑如何更好地工作。

一、模型训练的两个阶段：一个决定“懂多少”，一个决定“怎么做”

要理解这次更新，首先要区分大模型训练中的两个主要阶段：预训练和后训练。

1. 预训练：让模型“读万卷书”

预训练阶段，模型会在海量文本、代码和其他数据上学习语言规律、世界知识、逻辑关系以及一定程度上的推理能力。

这个过程决定了模型基础能力的大致范围。

模型见过多少知识、能理解多复杂的概念、能否发现代码之间的关联，主要都来自预训练。

可以把它理解成一个人的基础教育阶段。

在这个阶段，他读书、学习数学、理解世界，逐渐形成知识储备和思维能力。

从现有说明来看，DeepSeek-V4-Flash-0731 并没有重新进行预训练。它的架构、参数规模和基础模型都没有明显变化。

也就是说，这个模型“脑子里装了多少东西”，大体没有变。

2. 后训练：让模型学会“把事情做完”

后训练发生在预训练之后。

这一阶段通常会使用指令微调、偏好优化、强化学习以及特定任务训练等方式，调整模型的行为模式。

它解决的问题不是模型“知不知道”，而是：

• 能不能正确理解用户的目标；
• 能不能把复杂任务拆成多个步骤；
• 什么时候应该调用工具；
• 工具返回错误后是否会调整方案；
• 能不能根据环境反馈继续执行；
• 是否能在长流程中保持目标一致；
• 最终能不能把任务真正完成。

这有点像，一个人已经学过编程，也知道各种算法和开发工具，但他未必能独立完成一个真实项目。

他可能会写代码，却不知道先读需求还是先改文件；可能知道怎么运行测试，却经常忘记根据报错继续修复；也可能每一步都会，但无法把十几个步骤稳定地串联起来。

后训练做的，就是训练这种“做事方式”。

因此，DeepSeek 这次的变化可以理解为：

发动机没有更换，但变速箱、驾驶策略和控制系统被重新调校了。

同一台发动机，经过不同的调校，实际驾驶体验完全可能出现明显差异。

二、为什么提升最明显的是 Agent 能力？

这次公布的成绩，大多集中在 Agent 和代码执行类基准测试上。

例如 Terminal Bench 2.1，考察的并不是模型能否回答一道终端命令题，而是模型能不能进入一个真实或模拟的终端环境，连续完成操作。

一个任务可能包括：

1. 查看目录和文件；
2. 阅读项目代码；
3. 分析错误原因；
4. 修改代码；
5. 安装依赖；
6. 执行命令；
7. 运行测试；
8. 根据报错再次修改；
9. 直到任务最终完成。

这和传统的单轮问答完全不同。

传统问答更像考试：

给你一道题，请一次性写出答案。

Agent 任务更像工作：

给你一个目标、一套工具和一个不断变化的环境，请你自己想办法把事情做完。

这里真正困难的，往往不是模型缺少某个知识点，而是模型能否形成稳定的行动闭环：

观察环境 → 制定计划 → 调用工具 → 获取结果 → 判断对错 → 调整策略 → 继续执行。

而这种多步骤、长链路、需要根据反馈不断修正的能力，恰好是后训练最容易产生效果的地方。

预训练可以让模型知道 Git、Python、Linux、测试框架和软件工程知识，但它未必天然知道，在一个具体任务里应该先做什么、后做什么，以及失败之后应该如何恢复。

通过针对性的后训练，模型可以反复练习真实或模拟任务，并根据任务最终是否完成获得反馈。

练得多了，模型形成的不是更多“知识”，而是更有效的“工作习惯”。

因此，“模型结构没有变化，但 Agent 能力大幅提升”并不矛盾。

更准确地说：

它的能力上限可能没有发生根本变化，但它把已有能力转化为实际任务结果的效率提高了。

三、同一个模型，为什么后训练差异会这么大？

很多人容易把参数量理解成模型能力的唯一指标。

但参数量只决定了一部分问题。

现实中，即使底座模型相同，不同的后训练方式，也可能训练出行为差异很大的模型。

比如，同样面对一个代码任务，有的模型会立刻开始改文件；有的模型会先查看项目结构；有的模型在运行一次测试失败后就放弃；有的模型则会继续读取日志、定位问题并尝试第二种方案。

这些差异不一定来自知识量，而可能来自训练过程中对不同行为的奖励。

假设训练系统更鼓励以下行为：

• 修改代码前先理解项目；
• 使用工具后认真读取返回结果；
• 失败后继续尝试，而不是直接输出结论；
• 尽量减少无意义的工具调用；
• 完成任务后运行测试验证；
• 在长流程中持续检查目标是否已经达成。

那么经过大量任务训练后，模型就可能表现得更像一个成熟的执行者。

它未必变得更“博学”，但会变得更可靠、更有耐心，也更善于利用工具。

这正是 Agent 产品最看重的能力。

四、接口升级和模型能力升级，不是一回事

除了重新进行后训练，这次更新还涉及 Agent 接口和生态适配。

例如，模型开始支持更加统一的 Responses API，并适配部分代码 Agent 和工具调用场景。

这对开发者很重要。

统一的接口可以更方便地处理模型回复、推理状态、工具调用记录以及多轮执行过程，降低接入 Agent 系统的工程成本。

但需要注意：

接口更好用，不等于模型变得更聪明。

接口升级解决的是“怎么接”的问题。

后训练解决的是“接进去以后，模型能不能把活干好”的问题。

两者会共同改善最终体验，但不应该混为一谈。

举个简单的例子。

一个员工能力很强，但公司的协作系统非常混乱，文件找不到、任务无法流转，他的实际效率依然会很低。

更好的接口，相当于换了一套更顺畅的办公系统。

更好的后训练，则相当于员工本人掌握了更成熟的工作方法。

办公系统不会直接提高员工智商，但它能减少协作摩擦，让已有能力更容易发挥出来。

五、成绩很好看，但还要保留两个判断

虽然这次 Agent 指标提升明显，但在解读评测结果时，仍然需要保持谨慎。

1. 官方环境中的高分，不一定能直接复制到所有产品中

部分测试可能依赖特定的运行环境、工具配置、提示词策略、推理档位以及 Agent Harness。

模型在官方环境中取得高分，至少能够证明：在这套测试配置下，新版本的任务完成能力有明显提高。

但它并不能自动证明，在所有第三方 Agent 框架中都能获得同样的提升。

换到不同的 IDE 插件、代码仓库、工具协议或上下文管理方式后，结果可能发生变化。

Agent 的最终表现从来不只由模型决定，还受到多个环节影响：

• 系统提示词；
• 工具描述；
• 上下文管理；
• 超时限制；
• 最大执行步数；
• 错误恢复机制；
• 文件和终端权限；
• 测试环境；
• 推理预算。

所以，更准确的说法应该是：

DeepSeek-V4-Flash-0731 在官方公布的环境和配置下，Agent 表现出现了明显提升。至于在具体业务中的提升幅度，还需要独立测试。

2. 官方没有公布后训练的完整细节

目前可以确认的是：模型架构和参数规模没有发生明显变化，主要调整集中在后训练阶段。

但究竟使用了哪些训练数据、构建了什么任务环境、采用了怎样的奖励机制、强化了哪些具体行为，官方并没有完整披露。

因此，我们可以判断提升的主要方向，却不能武断地把成绩归因于某一种具体技术。

例如，提升可能来自：

• 更高质量的软件工程任务数据；
• 更真实的终端和代码执行环境；
• 更有效的强化学习奖励；
• 更长链路的任务轨迹；
• 对工具调用错误的专项训练；
• 更强的自我检查和测试意识；
• 更合理的推理预算分配。

这些都具备合理性，但在官方进一步披露之前，只能视为可能的解释，而不是确定事实。

六、这次更新真正值得关注的是什么？

这次 DeepSeek 更新揭示了一个很重要的行业趋势：

大模型竞争正在从“谁的模型更大”，逐渐转向“谁能把已有能力训练得更好用”。

过去几年，行业经常通过增加参数、扩充数据、提升算力来获得能力提升。

但随着基础模型能力逐渐接近，单纯堆参数带来的边际收益正在下降，而训练成本仍然非常高。

相比之下，精细化的后训练可能是一条更现实的路线。

同样的基础模型，通过更好的任务数据、更真实的执行环境和更合理的奖励机制，就可能在某些场景中获得明显提升。

尤其是在 Agent 领域，用户最终关心的并不是模型会不会背知识，而是它能不能：

• 真正修改好一个项目；
• 自动完成一组重复任务；
• 根据错误继续修复；
• 正确调用多个工具；
• 在长流程中稳定执行；
• 以更低的成本完成工作。

从这个角度看，模型能力的竞争正在从“会不会回答”，转向“能不能交付”。

七、写在最后

回到主管昨晚提出的问题：

为什么 DeepSeek 的结构和参数量都没变，Agent 能力却能明显提升？

答案是：

因为这次改变的不是模型拥有多少能力，而是模型如何组织、调用和兑现这些能力。

预训练更像是在建立知识和能力储备，后训练则决定模型如何面对任务、如何使用工具、如何根据反馈行动，以及如何把一件复杂的事情真正做完。

这次更新实际上包含两件相对独立的事：

第一，重新进行了后训练，强化了多步骤任务执行、工具调用和错误恢复能力，这是 Agent 指标提升的核心解释。

第二，改进了接口和 Agent 生态适配，降低了开发者的接入成本，但这属于工程体验优化，不能直接等同于模型智力提升。

至于这些评测提升能否完整复制到真实业务中，最终还是要放进具体工具链里测试。

毕竟，对于 Agent 来说，真正有价值的从来不是排行榜上的一个分数，而是它能否在你的环境里，把你交给它的事情稳定地做完。

模型有没有变聪明，有时候很难判断。

但它有没有变得更会干活，实际用一次就知道了。