DeepSeek V4-Flash 正式版：性价比不是卖点，是战略

7 月 31 日，DeepSeek 把 V4-Flash 的正式版 API 推进了公测。这次没有换架构，没有改名字，模型 ID 还是 deepseek-v4-flash，但内核已经从预览版毕业。官方日志写得轻飘飘：结构尺寸不变，仅重新进行了后训练。潜台词却很重：一个 2840 亿参数、激活只有 130 亿的轻量 MoE，已经把 Agent 能力拉到了接近甚至超过自家旗舰 Pro 预览版的水平。

消息出来我只感慨一句：国产大模型打价格战这件事，从“堆低价”升级到“低价也有本事”了。

一、正式版到底升级了什么

先列干货。

• 模型规格不变：V4-Flash 仍然是 284B 总参数 / 13B 激活参数的 MoE，上下文 1M token，最大输出 384K。对开发者来说，调用方式零迁移。
• Agent 能力大涨：DeepSeek 官方给出的数据里，Terminal Bench 2.1 得分 82.7，NL2Repo 54.2，Cybergym 76.7，DeepSWE 54.4，Toolathlon verified 70.3。对比 V4-Pro-Preview 在 Terminal Bench 2.0 上的 67.9，提升幅度称得上跳跃。
• 响应生态对齐：正式版原生支持 OpenAI 的 Responses API 格式，并针对 Codex 做了适配。这意味着，原本在 OpenAI 生态里搭的 Agent 工作流，可以低成本搬到 DeepSeek。
• 价格几乎没变：公测定价仍是输入 $0.14 / 百万 token（缓存命中 $0.0028），输出 $0.28 / 百万 token。V4-Pro 大约是这个价格的三倍，海外旗舰（GPT-5.6 Sol、Claude Opus/Fable）则是十几倍甚至几十倍。

用一句话概括：同样的 API、同样的价格，干活的智商突然长了一截。

二、为什么性价比会让人破防

大模型行业过去两年有个潜规则：便宜模型≈笨模型。你要便宜，就拿小参数、短上下文、弱推理；你要性能，就乖乖掏旗舰的钱。DeepSeek 这次用同一个轻量架构，通过后训练把 Agent 能力顶上去，等于直接挑战这条规则。

OfficeChai 的对比很直观：V4-Flash-0731 在 Terminal Bench 2.1 上拿到 82.7，落后 Claude Opus 4.8 的 85.0 不远，却打赢了 Fable 5 和 Sonnet 5；而它的价格，只有海外旗舰的几分之一。对需要反复调用工具、执行多轮推理的 Agent 任务来说，成本差会直接放大成商业模式的生死线。

我拿自己工作里的场景打个比方：一个支付风控辅助 Agent，每天可能要调用模型上千次，做资料抽取、规则匹配、摘要生成。如果用海外旗舰模型，一个月账单可能是几万块；用 V4-Flash，同样的调用量可能只需要几百块。几百块不是能不能报销的问题，是业务部门敢不敢放量的问题。

所以性价比从来不只是“省钱”。它改变的是产品设计的约束条件。

三、后训练的红利，比参数更性感

这次升级最值得关注的是：模型结构没变，只是重新做了后训练。36氪的报道把这点拎得很清楚：V4-Flash-0731 与预览版参数规模一致，但 Agent 能力大幅提升。这说明，对于特定任务，训练方法、数据质量和强化学习策略的权重，正在超过单纯堆参数。

这个趋势对行业的影响可能超过一次降价。过去大家攀比的是“我的模型有几万亿参数”；接下来大家要比的是“用更少的参数、更少的 token、更少的 GPU，能不能把具体任务做到商用水平”。DeepSeek 的长项本来就在工程效率，这条路对它来说比跟 OpenAI 正面刚通用能力要顺得多。

另外，官方首次正式命名了自研的 DeepSeek Harness。梁文锋之前提到过，Agent 之后要解决的是“持续学习”——让模型像人一样积累长期经验，而不是每次都喂完整上下文。Harness 作为 Agent 框架，后续很可能会成为 DeepSeek 生态的护城河之一。模型可以开源，但训练框架、工具链、评测体系的粘性，比权重文件更难复制。

四、对 OpenAI 降价的回应，只用了 24 小时

很有意思的是时间线。7 月 30 日 OpenAI 刚宣布 GPT-5.6 Luna 降价 80%、Terra 降价 20%，7 月 31 日 DeepSeek 就把 V4-Flash 正式版端了出来。很难说这是一次临时反击，更像是早就准备好、踩着对方节奏打的一张牌。

OpenAI 的 Luna 降到 $0.20 / $1.20 已经够狠，但 DeepSeek V4-Flash 仍然更便宜，而且在 Agent 基准上表现更强。两家公司在同一周内先后出招，说明 AI 价格战已经从“谁更便宜”进入“谁更便宜且更能打”的阶段。

作为开发者，我最直观的感受是：选型表格里“价格”和“性能”这两条轴，正在快速靠近。过去它们像剪刀的两条刃，越往外差距越大；现在 DeepSeek 把它往里收了一步，逼得所有人都要重新算这笔账。

五、一个产品经理的冷思考

先别急着把业务全切过去。 excitement 归 excitement，落到生产环境里还是那几条老问题。

第一，厂商基准不等于你的基准。

DeepSeek 公布的数据来自自家测试框架和设置， Terminal Bench 2.1 和 2.0 也不是同一套题，直接跨版本对比有水分。真正靠谱的验证方式，是拿自己的业务样本跑一轮：同样的输入，看 Luna、Terra、V4-Flash、V4-Pro 各自的准确率、延迟、成本。Vendor 数字只能决定你要不要试，自己跑出来的数字才决定你能不能上。

第二，Agent 场景不等于所有场景。

V4-Flash 这次升级集中在 Agent、Coding、Tool Use。如果你的业务主要是通用对话、创意写作、长文档总结，它的优势未必那么明显。别为了便宜而便宜，最后把不适合的工作硬塞给 Flash，省下的 API 费用可能以“人工返工”的形式还回去。

第三，生态迁移成本要算进去。

Responses API 和 Codex 适配听起来很香，但实际迁移涉及工具调用格式、状态管理、错误处理、日志埋点。如果原有系统重度依赖 OpenAI 生态，切换不是改个 base_url 那么简单。建议先做一条并行链路，跑 A/B 验证，再决定是否全面迁移。

第四，低价策略背后的商业压力。

DeepSeek 最近估值飞涨，从首轮融资后的 520 亿美元到新一轮传闻中的 710 亿美元，间隔不到两个月。高估值意味着高增长预期，而高增长往往靠低价抢市场。对使用者是利好，但也要意识到：未来价格、服务等级、并发配额都可能调整。别把核心架构完全押注在一家还在冲刺商业化的厂商身上。

第五，数据合规和私有化仍然是金融场景的硬门槛。

V4-Flash 的权重 已经在 HuggingFace 上开源，这对有私有化部署能力的团队是大利好。但对银行、支付、保险这类受监管的行业，公有 API 再便宜也未必能直接上。我们真正期待的，是低价模型加上可私有部署、可审计、可国产算力支持的完整方案。DeepSeek 的开源策略给了这个可能性，但落地仍然要看合规细节。

六、我的结论

DeepSeek-V4-Flash 正式版给我的最大冲击，不是便宜，而是“便宜得有道理”。它证明了后训练可以在不堆参数的情况下，把轻量模型推到接近旗舰的水平。这对整个行业都是一次重新定价：模型的价值不再只由参数决定，而由“单位美元能完成多少有效工作”决定。

对国内开发者和企业来说，这是一个难得的时间窗口。用海外旗舰十分之一的成本，跑一个 Agent 能力不逊色的模型，意味着很多原来只能做 POC 的场景，现在真的可以进生产了。

但窗口期不会永远开着。OpenAI、Anthropic、Google 不是傻子，DeepSeek 这次出牌之后，对方一定会跟进。真正重要的是，趁价格低的时候，把自己的评测体系、路由策略、成本控制流程建好。否则等价格再被打下来一轮，你只是换了一家更便宜的供应商，并没有获得更强的产品力。

DeepSeek 把性价比做成了战略，不只是卖点。接下来要看的是，它能不能把这次的技术领先，变成生态上的粘性。

参考来源

1. DeepSeek 官方 API 更新日志：DeepSeek-V4-Flash Update（2026-07-31）
2. OrcaRouter：DeepSeek V4 Flash: Official Release, Explained（2026-07-31）
3. OfficeChai：DeepSeek Releases DeepSeek-V4-Flash-0731（2026-07-31）
4. 36氪：DeepSeek V4 正式版来了，新能力浮出水面，性价比之王开战（2026-07-31）
5. IT之家：DeepSeek-V4-Flash 正式版 API 上线公测（2026-07-31）
6. HuggingFace：deepseek-ai/DeepSeek-V4-Flash 模型卡