DeepSeek-V4-Flash-0731 正式发布：性能暴涨 6 倍？一文看懂它比预览版强在哪

被放养的研究生

1018人浏览 · 2026-07-31 21:45:35

被放养的研究生 · 2026-07-31 21:45:35 发布

摘要：7 月 31 日，DeepSeek 发布 V4-Flash-0731 正式版，取代预览版。本文基于官方发布说明，逐项计算对比了它在 9 个基准上相比 Flash 预览版、V4-Pro 预览版以及闭源模型 Opus-4.8 的提升幅度——DeepSWE 提升 645%、Cybergym 几乎翻倍、9 项基准全部反超 V4-Pro。不涉及部署教程，纯性能解读。

7 月 31 日，DeepSeek 正式发布了 DeepSeek-V4-Flash-0731，取代此前的预览版本。官方宣称其智能体（Agentic）能力大幅增强，并且在大多数公开基准上全面超越了参数量远大于它的 DeepSeek-V4-Pro（预览版）。

官方公告里的数字都是"干巴巴的分数"，很多人看完只知道"变强了"，但不知道强了多少。本文基于官方发布说明整理，逐项算出提升幅度，只聚焦一个核心问题：它到底比之前强了多少？

数据来源：DeepSeek-V4-Flash-0731 官方发布说明（Hugging Face）

一、一句话结论

在所有 9 个基准上，0731 正式版相比 Flash 预览版全部大幅提升，平均提升超过 20 个百分点；与 V4-Pro（预览版）相比，9 项基准全部领先；与最强的闭源模型 Opus-4.8 相比，多数任务差距已缩小到个位数百分点以内。

二、先看懂这些英文指标：每个测什么

表里的分数背后是九个测法完全不同的基准，先搞清楚每个在测什么，数字才有意义：

指标	测什么	说明
Terminal Bench 2.1	终端环境里的真实任务	89 个任务，覆盖软件工程、系统管理、数据处理、模型训练、安全等领域，在容器终端环境中完成（如调试异步代码、修复安全漏洞），用程序化测试验证结果
NL2Repo	从自然语言生成完整代码仓库	即 NL2Repo-Bench（arXiv:2512.12730）：只给一份自然语言需求文档和一个空工作区，智能体要自主设计架构、管理依赖、实现多模块逻辑，产出一个可安装的完整 Python 库；目前最强智能体平均测试通过率也不到 40%
Cybergym	网络安全漏洞利用	ICLR 2026 论文基准（见官网 github.com/sunblaze-ucb/cybergym）：1507 个实例，源自 188 个真实开源项目的已修复漏洞（多数来自 OSS-Fuzz），智能体拿到漏洞描述和未打补丁的代码库，需写出能复现漏洞的 PoC（概念验证代码）并通过验证
DeepSWE	深度软件工程	arXiv:2607.07946：113 个原创长时程软件工程任务，覆盖 91 个活跃开源仓库、5 种语言。任务从零编写、不回灌上游，规避了 SWE-bench 类基准"训练数据泄漏"问题；用人工编写的验证器判定，不依赖随修复提交的测试
Toolathlon-Verified	多应用工具调用	ICLR 2026（arXiv:2510.25726）：32 个真实软件应用、604 个工具（多来自 MCP 服务器）、108 个任务，平均约 20 轮交互才能完成，每任务用确定性脚本严格验证；Verified 为当前最终版
Agents’ Last Exam	专家级知识 + 工具链	Scale AI 出品的智能体版"终极考试"：横跨多学科的专家级难题，要求智能体通过搜索、工具、推理综合作答
AutomationBench Public	跨应用流程自动化	arXiv:2604.18934：基于 Zapier 真实工作流模式，任务横跨销售、市场、运营、支持、财务、HR，要求智能体自行发现 API 端点、遵守策略文档、跨应用编排（如 CRM+邮箱+日历），只按最终落库状态程序化判定；目前最强前沿模型得分也不到 10%
DSBench-FullStack †	内部 · 全栈开发	DeepSeek 内部测试集：从需求到前后端完整落地的全栈开发任务
DSBench-Hard †	内部 · 高难度编程	DeepSeek 内部测试集：面向智能体的高难度编程问题

两个提醒：

可复现性不同：Terminal Bench 2.1、Toolathlon、Cybergym、Agents’ Last Exam、AutomationBench 等为公开基准；DSBench 两项为 DeepSeek 内部集，其分数不可与其他家的公开数字直接横向比较
难度差异大：Cybergym 76.7 分和 AutomationBench 25.1 分不代表前者更容易——这些基准的任务形态、验证严格程度完全不同，看趋势比看绝对值更靠谱

三、相比 Flash 预览版：全面且大幅的跨越

基准	0731 正式版	Flash 预览版	提升（百分点）	相对提升
Terminal Bench 2.1	82.7	61.8	+20.9	+34%
NL2Repo	54.2	39.4	+14.8	+38%
Cybergym	76.7	38.7	+38.0	+98%
DeepSWE	54.4	7.3	+47.1	+645%
Toolathlon-Verified	70.3	49.7	+20.6	+41%
Agents’ Last Exam	25.2	15.8	+9.4	+60%
AutomationBench Public	25.1	10.8	+14.3	+132%
DSBench-FullStack †	68.7	37.0	+31.7	+86%
DSBench-Hard †	59.6	25.8	+33.8	+131%

† DSBench-FullStack 为内部全栈开发测试集；DSBench-Hard 为内部高难度编程智能体测试集。

几个关键观察：

没有一项基准原地踏步——最小的提升（Agents’ Last Exam）也有 9.4 个百分点；
编程智能体是提升最大的领域：DeepSWE 从 7.3 直接冲到 54.4（提升 645%），AutomationBench 翻了一倍多，Cybergym 几乎翻倍；
这意味着预览版到正式版之间，模型在长链路工具调用、代码仓库操作、终端命令执行等智能体核心能力上发生了质变，而不是简单的微调式改进。

四、相比 V4-Pro（预览版）：以小博大

更值得注意的是，Flash 正式版的激活参数量远小于 V4-Pro，却在所有基准上反超：

基准	V4-Flash-0731	V4-Pro (预览)	领先（百分点）
Terminal Bench 2.1	82.7	72.1	+10.6
NL2Repo	54.2	38.5	+15.7
Cybergym	76.7	52.7	+24.0
DeepSWE	54.4	12.8	+41.6
Toolathlon-Verified	70.3	55.9	+14.4
Agents’ Last Exam	25.2	16.5	+8.7
AutomationBench Public	25.1	12.8	+12.3
DSBench-FullStack †	68.7	41.8	+26.9
DSBench-Hard †	59.6	31.1	+28.5

尤其 DeepSWE 领先 41.6 个百分点、Cybergym 领先 24 个百分点——在"小而强"这件事上，0731 正式版几乎是在用更小的模型教大模型做事。这背后离不开它附带的 DSpark 投机解码模块：以草稿模型加速生成，让"小参数 + 高推理效率"成为可能。

五、与闭源最强模型 Opus-4.8 的差距：已相当接近

基准	V4-Flash-0731	Opus-4.8	差距
Terminal Bench 2.1	82.7	85.0	-2.3
NL2Repo	54.2	69.7	-15.5
Cybergym	76.7	83.1	-6.4
DeepSWE	54.4	58.0	-3.6
Toolathlon-Verified	70.3	76.2	-5.9
Agents’ Last Exam	25.2	25.7	-0.5
AutomationBench Public	25.1	27.2	-2.1
DSBench-FullStack †	68.7	71.6	-2.9
DSBench-Hard †	59.6	71.7	-12.1

9 项基准中，7 项差距在 6.4 个百分点以内，其中 Agents’ Last Exam 仅差 0.5 分、AutomationBench 差 2.1 分。唯一差距明显的 NL2Repo（-15.5）和 DSBench-Hard（-12.1）集中在"从自然语言直接生成完整仓库"和"高难度编程问题"这类任务上——这说明通用智能体能力已经追平，但极限编程深度仍是下一阶段的攻坚方向。

六、性能数字是怎么来的？

要正确解读上述数据，需要注意评估条件（官方说明）：

公开基准的 Code Agent 任务使用即将发布的 DeepSeek Harness 最小模式（minimal mode） 作为智能体框架；
采样参数为 temperature = 1.0、top_p = 0.95，并使用推理努力（reasoning_effort）等级（low / high / max，控制模型作答前的思考量）；
DSBench 两项为内部测试集，非公开复现基准。

因此，表中数字反映的是"在官方 Harness 框架下的上限表现"，不同智能体框架下的实际效果会有浮动。