> **JeecgBoot AI专题研究** | DeepSeek-V4-Pro 正式版全面拆解——Agent 能力跃迁、双 API 兼容与缓存降本实战

---

![DeepSeek-V4-Pro 正式版发布概念图](https://developer.qcloudimg.com/http-save/yehe-1184138/77224577b042ca35fceb30b1a1aeaf1f.jpg)

8 月 13 日凌晨，如果你睡前习惯刷一眼 DeepSeek 的 API 文档，会发现自己差点错过一场没有请柬的发布。

没有发布会、没有倒计时、没有铺天盖地的预热海报。官网的 API 文档悄悄刷新了：模型还是那个 `deepseek-v4-pro`，价格页的代号却已经从 Preview 换成了 `DeepSeek-V4-Pro-0813`，fingerprint 更新为 `fp_v4pro_20260812`。等到社区炸开锅，已经是第二天早上的事。

距离 4 月 24 日预览版上线，刚好 111 天。这 111 天里，Kimi K3 高调发布抢走了开源头条，V4 Flash 正式版抢先一步在 7 月 31 日上线，官方还放出了"近期整体上调 API 定价、预计涨幅较大"的预告。所有人都在等 Pro 的正式版——结果它在一个周三的深夜，用最 DeepSeek 的方式登场：官方一个字没发，API 先能调了。

#### 后训练换了个大脑：从"会考试"到"会干活"

先说硬规格：架构和预览版完全一致——1.6T 总参数、49B 激活参数的 MoE 结构，1M 上下文窗口，384K 最大输出。变化的全部集中在后训练，而幅度大到像换了一个模型。

真正夸张的数字来自 Agent 相关评测。几个关键基准的跃迁幅度如下：

| 评测集 | Preview 分数 | 正式版分数 | 提升幅度 |
|--------|-------------|-----------|---------|
| DeepSWE（软件工程） | 12.8 | 62.7 | +49.9 |
| DSBench-Hard | 31.1 | 67.2 | +36.1 |
| Cybergym（安全攻防） | 52.7 | 83.3 | +30.6 |
| AutomationBench | 12.8 | 31.8 | +19.0 |
| Terminal Bench | 72.1 | 87.9 | +15.8 |

![Agent 评测分数大幅跃升](https://developer.qcloudimg.com/http-save/yehe-1184138/1f522ea2d6ed040762d1beec5678eebb.jpg)

这些评测没有一道是传统选择题或文本生成题，全是真实环境下的多步骤任务：终端操作、仓库级代码生成、工具调用、安全模拟。它们恰好也是预览版最容易翻车的地方——此前 V4-Pro-Preview 的 Agent 能力被普遍认为"鸡肋"，跑基准还行，真让它下场干活就露馅。

从 V4 Flash 正式版的更新日志可以推断出这轮升级的思路：面向代码 Agent 场景的大规模后训练。Flash 版已经用同一套方法把 Agent 能力做到了"基准测试远超 V4-Pro-Preview"的程度，Pro 正式版只是补上了同一课。如此幅度的跃迁不太可能来自单一优化，更可能是整套 Agent 后训练管线换了底层范式——大规模合成工具调用轨迹、强化规划与反思能力、以及把 1M 上下文真正用起来，让模型在长链路任务里"看到全局"。

一句话总结这个变化：如果说预览版是会考试的学霸，正式版就是能下场干活的实习生。

#### 图像推理补课：Agent 的"眼睛"到货了

另一个被很多人忽略的变化是多模态。预览版是纯文本模型，正式版首次原生支持图像推理——DeepThink 引擎现在可以在同一个思考流程里分析图片、解读截图、处理混合文档。

这对普通聊天场景影响不大，但对 Agent 场景是从无到有的突破：截图分析 UI 状态、读取图表数据、解析文档扫描件，这些"看图干活"的需求过去只能靠外挂视觉模型凑合，现在一条链路就能完成。补齐视觉能力之后，Agent 栈才第一次凑齐了"眼、脑、手"三件套。

#### 双生态接口：Claude 代码改个 baseURL 就能跑

开发者体验是这次升级里最容易被忽视、但也最锋利的一刀。

正式版同时提供 OpenAI 与 Anthropic 两套兼容接口，外加 Responses API 正式支持：

- **OpenAI 兼容**：原有 base_url 不用动，把 model 改成 `deepseek-v4-pro` 即可；
- **Anthropic 兼容**：通过 `api.deepseek.com/anthropic` 端点接入，原本基于 Claude 构建的 Agent 流水线几乎无需改动；
- **Responses API**：可无缝对接 Codex 类工具链；
- **原生 Tool Calls / JSON Output**：结构化输出开箱即用；
- **FIM 补全（Beta）与对话前缀续写（Beta）**：分别面向 IDE 补全和长对话连续性优化（FIM 仅限非思考模式）。

![双 API 生态兼容示意图](https://developer.qcloudimg.com/http-save/yehe-1184138/a0e03691b82159834d68cd58bdfc86de.jpg)

翻译成人话：你之前给 Claude 写的整套代码，改一个 baseURL 就能直接喂给 v4-pro。不管你此前的技术栈是 OpenAI 还是 Anthropic，迁移成本约等于零。这种"生态兼容"策略比单纯堆参数更能撬动存量开发者——毕竟让工程师换模型的最大阻力从来不是模型好坏，而是改代码的成本。

用 OpenAI SDK 调用只需改两处：

```python
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DEEPSEEK_KEY",
    base_url="https://api.deepseek.com",
)

resp = client.chat.completions.create(
    model="deepseek-v4-pro",  # 默认 thinking 模式
    messages=[
        {"role": "system", "content": "你是资深代码审查专家。"},
        {"role": "user", "content": "审查下面这段 5000 行的 Django 视图代码，指出潜在性能瓶颈。"}
    ],
    max_tokens=8192,
)

print(resp.choices[0].message.content)
```

如需非思考模式，把 model 换成 `deepseek-v4-pro-no-think` 即可。

Anthropic 生态同理：

```python
from anthropic import Anthropic

client = Anthropic(
    api_key="YOUR_DEEPSEEK_KEY",
    base_url="https://api.deepseek.com/anthropic",
)

msg = client.messages.create(
    model="deepseek-v4-pro",
    max_tokens=4096,
    messages=[{"role": "user", "content": "将这份 80 万 tokens 的日志文件压缩为 10 条关键错误摘要。"}]
)

print(msg.content[0].text)
```

#### 缓存杠杆：0.025 元背后的 120 倍差距

价格方面，每百万 token 输入 3 元、输出 6 元，与预览期持平。但真正值得盯的不是裸价，而是缓存命中价——**0.025 元/百万 token**，基本等于白嫖。

![缓存机制大幅降低调用成本](https://developer.qcloudimg.com/http-save/yehe-1184138/b1a45c668ce7f75fd64459cdf6a817b9.jpg)

把 Pro 和 Flash 摆在一起看：

| 模型 | 缓存命中输入 | 缓存未命中输入 | 输出 | 并发上限 |
|------|-------------|---------------|------|---------|
| DeepSeek-V4-Pro-0813 | 0.025 | 3 | 6 | 500 |
| DeepSeek-V4-Flash-0731 | 0.02 | 1 | 2 | 2500 |

两个关键信息：Pro 的裸价是 Flash 的 3 倍，但缓存命中价几乎持平；并发上限从 2500 砍到 500，说明官方用并发配额做算力调度，把 Pro 定位成高价值、低频次的复杂任务模型。

缓存策略的实际威力在于长文档场景——同一份系统提示 + 大文档反复提问，输入成本从 3 元/百万直接降到 0.025 元/百万，相差 120 倍：

```python
SYSTEM = "你是合同审查助手，按风险等级标注异常条款。"
DOC = open("huge_contract.txt", encoding="utf-8").read()  # 约 900k tokens

questions = [
    "列出所有违约责任条款。",
    "找出金额超过 500 万的支付节点。",
    "汇总所有不可抗力的定义。",
]

for q in questions:
    resp = client.chat.completions.create(
        model="deepseek-v4-pro",
        messages=[
            {"role": "system", "content": SYSTEM},
            {"role": "user", "content": f"{DOC}\n\n问题：{q}"}
        ],
        max_tokens=4096,
    )
    print(q, "→", resp.choices[0].message.content[:100], "...")
```

首次请求缓存前缀（系统提示+文档），后续命中缓存，输入成本直降。

#### thinking 模式的甜蜜陷阱：一次真实的翻车

跑分好看只是门票，真正有意思的是拿真实任务去试。三个不同方向的实测任务，暴露了一个非常反直觉的坑。

**任务一：Boids 群体涌现模拟。** 要求在 Canvas 上实现 200 个三角形 boid 的群体行为，带分离/对齐/凝聚三个可调参数、彩色轨迹、点击生成捕食者、glassmorphism 风格控制面板。V4 Pro 用了大约 170 秒生成 761 行完整 HTML，打开浏览器，200 个彩色三角形在黑色背景上游动、聚散、避障，代码一次运行通过。

**任务二：模糊需求的番茄钟。** 只给了一句"我想要一个好看的番茄钟工作面板"，方向是"能计时、能记录、有白噪音、中文界面、要有质感"。V4 Pro 交回来 1223 行代码——除了基础的 25/5 分钟计时，它自己加了任务标签、专注统计图表、快捷键支持，甚至用 Web Audio API 从零合成了几种白噪音。对模糊需求的产品化补全能力，比预览版有明显进步。

**任务三：寻路算法可视化，翻车了——但翻得很有教育意义。** 任务要求实现 BFS、DFS、A* 三种算法的逐步动画、可交互网格画墙、迷宫自动生成。开着默认的 thinking 模式，V4 Pro 用满了 16384 个 token 的输出配额，其中 13394 个花在了"思考"上，留给实际代码的不到 3000 个 token——HTML 写到一半直接截断。

关掉 thinking 模式重跑，54 秒输出完整的 715 行代码，寻路动画、迷宫生成、暗色主题一应俱全。

这不是 bug，而是正式版的一个真实特征：**thinking 模式在复杂代码生成场景下，推理 token 可能占到输出的 80% 以上**，反而挤压了实际内容的空间。对于需要大段代码输出的任务，要么主动关闭 thinking，要么大幅提高 max_tokens 兜底。这个经验值得所有准备在生产环境接入 v4-pro 的团队记住。

#### 涨价倒计时与 Harness 伏笔

最后说两个值得长期关注的点。

其一，8 月 6 日官方已经预告"计划近期整体上调 API 定价，预计涨幅较大"，目前 0813 版本还没动。窗口期能撑多久不好说，有长期使用计划的团队，建议尽早评估缓存策略和用量分配，把长文档复用场景的缓存命中率做上去，这是对冲涨价最现实的手段。

其二，横向看位置：V4 Pro 不是一张"全面碾压"的成绩单——HLE 无工具 42.7 分，落后 Claude Opus 4.8 的 49.8 和 Fable 5 的 53.3；NL2Repo 61.5 落后 Opus 4.8 的 69.7。纯知识推理和最复杂的软件工程任务还没坐上头把交椅。但 DeepSeek 从来不是靠"最强"赢的：输入 3 元/百万 token，大约是 Fable 5 的十分之一、Kimi K3 的三分之一。在 Agent 能力补齐到第一梯队之后，"比我强的没我便宜，比我便宜的没我强"这条定律的杀伤力大了一个量级。

更值得盯的是 V4 Flash 更新日志里的一行小字——评测使用了"DeepSeek Harness 极简模式（即将发布）"作为 Agent 框架。结合近期注册的"DeepSeek Harness 团队"公众号与招聘信息，DeepSeek 显然在准备把模型和 Agent 运行框架打包推出。如果过去两年大家竞争的是"谁的模型更聪明"，Harness 的出现意味着竞争进入下一阶段：比谁能把大脑、手脚和工具箱组装成一个真正替人干活的系统。

---

#### 总结

DeepSeek-V4-Pro 正式版这次升级，核心就一句话：**Agent 能力从"几乎不可用"一跃进入第一梯队，同时用双生态兼容把迁移成本压到零。**

- 架构没变，后训练重构：DeepSWE 从 12.8 到 62.7，Agent 相关基准全面暴涨；
- 首次原生图像推理，Agent 的"眼睛"到货；
- OpenAI + Anthropic 双格式 + Responses API，存量代码零成本迁移；
- 缓存命中价 0.025 元，长文档复用场景成本差 120 倍；
- 实战提醒：复杂代码生成慎用 thinking 模式，或留足 max_tokens；
- 涨价预警已亮，缓存策略要提前做。

这场没有发布会的发布，或许才是 AI 竞争进入"干活时代"的真正发令枪。

---

*本文为 JeecgBoot AI 专题研究系列文章。*

JeecgBoot AI专题研究 | DeepSeek-V4-Pro 正式版全面拆解——Agent 能力跃迁、双 API 兼容与缓存降本实战

DeepSeek-V4-Pro 正式版深夜突袭：Agent 评测暴涨 50 分，一套代码通吃 OpenAI 与 Anthropic 双生态

人工智能

编程语言

开发工具

DeepSeek-V4-Pro正式版发布，Agent能力大幅跃迁，DeepSWE评分从12.8升至62.7。新增原生图像推理，支持OpenAI与Anthropic双API兼容，迁移成本为零。缓存命中价仅0.025元，长文档场景成本降低120倍。实战提醒：复杂代码生成慎用thinking模式。

日志文件

软件工程

代码解释

DeepSeek

Django

Agent

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

DeepSeek-V4-Pro 正式版深夜突袭：Agent 评测暴涨 50 分，一套代码通吃 OpenAI 与 Anthropic 双生态-腾讯云开发者社区-腾讯云

DeepSeek-V4-Pro 正式版深夜突袭：Agent 评测暴涨 50 分，一套代码通吃 OpenAI 与 Anthropic 双生态

DeepSeek-V4-Pro 正式版深夜突袭：Agent 评测暴涨 50 分，一套代码通吃 OpenAI 与 Anthropic 双生态

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐