用 Codex 实测 DeepSeek-V4-Flash 正式版：30 题硬核压测与竞品横评

2026 年 7 月 31 日，DeepSeek 在 API 更新日志里悄悄上线了 V4 Flash 正式版（deepseek-v4-flash-0731），没有发布会，当晚就上了知乎热搜。官方放出的 9 项基准里，代码 Agent 基准 DeepSWE 从预览版的 7.3 跳到 54.4（约 7.5 倍），Terminal Bench 2.1 拿到 82.7 分，逼近 Claude Opus 4.8 的 85.0。消息很猛，但跑分是官方给的，能不能信？

本文不转述官方跑分。我用 Codex 搭了一套纯标准库的测评框架（harness.py），于 2026-08-02 10:51（北京时间）真实调用官方 API，跑了 30 道自建题（编程 10 题 / 数学 10 题 / 中文 10 题），全程本地执行评分、原始数据留档、可复现可审计。结果：30/30 全对，编程 59 个单元测试用例全过，30 题 API 成本不足 5 分钱。

这是一份小样本、单轮次的实测快照，用来印证"正式版"的成色，不代表全面结论。下面把方法、数据、拆解、对照和价格横评一次讲清楚。

一、测评方法：怎么保证数据真实

本文不使用任何"云评测"或二手数据，全部结果来自我本人于 2026-08-02 10:51（北京时间）通过官方 API 真实调用 deepseek-v4-flash 得到的输出，原始数据保存在工作区，可复现、可审计。

评测设置

三道测试均为自建、答案先经程序化校验的题目：

1. 编程能力：10 道经典算法题（两数之和、括号匹配、合并区间、最长递增子序列、最大子数组和、多数元素、轮转数组、第一个唯一字符、打家劫舍、爬楼梯），共 59 个单元测试用例。模型只输出函数代码，本地独立进程执行评分。
2. 数学推理：10 道精确答案题（整除求和、含 7 计数、模运算、概率、位数、韦达定理、组合数、排列数、平方和、钟表角度），答案在评测前已用程序逐题验证。
3. 中文综合：10 道单选题（文学、历史、科学、三段论逻辑、古诗、成语、地理、天文、阅读理解、传递推理），答案固定。

复现方式：python harness.py --selftest 可本地校验题目答案（不消耗 API 额度）；python harness.py --tests coding,math,chinese --workers 3 可复现完整测评。

局限性（先说清楚）：样本量小（每类 10 题）、单轮次运行、题目难度以中档为主，100% 的正确率不等于模型"没有短板"；要得到统计意义上的结论需要更大样本和多次采样。这份实测的价值在于：用可复现的真实数据印证官方基准的方向，而非替代全面评测。

二、测试一：编程能力（10/10 题，59/59 用例全过）

每道题由模型生成 solve 函数，交由本地 Python 独立进程执行全部测试用例，禁止模型接触测试数据。

抽查 C07 轮转数组的实际生成代码（未做任何修改）：

# C07 轮转数组（7.0s 完成，含思考）
def solve(nums: list[int], k: int) -> list[int]:
    if not nums:
        return []
    k %= len(nums)
    return nums[-k:] + nums[:-k]

代码简洁、边界处理到位（空数组判断、k 取模），10 题全部一次通过，未出现语法错误或运行时异常。C07 多花了几秒，是因为模型在思考里枚举了 k 与数组长度的取模关系——输出本身很短，思考占了大头。

三、测试二：数学推理（10/10 全对）

要求模型给出推导并严格以「答案：xxx」结尾，程序自动解析比对（整数或最简分数）。

两道有含金量的题，模型给出的推导（节选）：

M03（7^2026 末三位）：因为 7²⁰ ≡ 1 (mod 1000)，且 2026 = 20×101 + 6，所以 7²⁰²⁶ ≡ 7⁶ = 117649 ≡ 649 (mod 1000)。答案：649

M02（含 7 计数）：不含 7 的数：00002026 中，千位为 0 或 1 时有 2×9³=1458 个；千位为 2 时……共 25 个。所以 12026 中不含 7 的有 1458+25−1=1482 个，含 7 的有 2026−1482=544 个。答案：544

M02 耗时 25.4 秒、输出 3318 token，说明模型对"枚举型"计数题选择了先构造再枚举的稳妥路线——慢，但稳。这也直接拉高了数学组的平均耗时（5.16s），其余 9 题均在 4 秒内完成。

四、测试三：中文综合（10/10 全对）

覆盖文学、历史、科学、逻辑、古诗、成语、地理、天文、阅读理解和传递推理，答案固定。

中文问答是三道测试里响应最快的（平均 1.3 秒），且能给出正确的解题理由。例如 Z04："由'所有植物都需要光合作用'和'向日葵是植物'，根据三段论可必然推出向日葵需要光合作用。答案：A"。这类常识题对前沿模型来说不算难，但全部秒答且理由正确，说明基础认知没有掉链子。

五、汇总：成绩、速度与成本

三点值得注意的"真实"细节：

• 思考占比极高：30 题共输出 8165 token，其中思考 token（reasoning）6884 个，占 84%。数学题里思考占比更是达到 93%——模型"想得多、说得少"，推理 token 占了输出的大头。
• 成本可忽略：按平时价（输入 1 元/输出 2 元每百万 token）约 0.022 元；本次运行恰逢高峰时段（10:51 北京时间），按高峰翻倍价约 0.044 元，仍不足 5 分钱。
• 速度：从发请求到收到完整回答，30 题 API 墙钟总耗时约 40 秒（并行 3 路），单题中位数约 1.8 秒；从 M02 的单请求可粗估生成速度约 130 token/s（含思考）。

六、对照官方与第三方数据

我自己的 30 题与官方口径方向一致，没有出现"分数打架"：

官方公布的 9 项基准里，几个关键跳变（V4-Flash-0731 vs 预览版）：DeepSWE 从 7.3 跳到 54.4（约 7.5 倍），Cybergym 从 38.7 到 76.7，Terminal Bench 2.1 从 61.8 到 82.7——后训练的效果肉眼可见。注意这些是官方口径，非本文实测。

架构上（官方口径）：MoE，总参 2840 亿、激活仅 130 亿，100 万 token 上下文，可切换思考/非思考模式（含 speculative decoding 投机解码）；与 4 月预览版骨架一致，只重做了后训练。这意味着这次提升主要来自训练方法而非模型变大——"小模型、强后训练"路线的直接验证。

七、价格横评：V4-Flash 到底便宜多少

按输出价折算，V4-Flash（约 0.28 美元）约为 Opus 4.8 的 1/90、Gemini 3.1 Pro 的 1/43。即使按高峰翻倍价（4 元/百万 token ≈ 0.56 美元），仍然是 Opus 4.8 的 1/45。DeepSeek 还引入了峰谷计费：北京时间 9:00–12:00、14:00–18:00 为高峰时段价格翻倍，其余时段为平时价。如果你的任务对延迟不敏感，避开高峰可以省一半。

八、优点、已知短板与适用场景

优点

• 三个维度的实测全绿：代码能跑通全部用例，数学推导正确，中文问答快而稳；
• 速度与成本优势明显：单题秒级返回，30 题成本不足 5 分钱，缓存命中价低至 0.02 元/百万 token；
• "小模型、强后训练"路线得到验证：130 亿激活参数打出了接近顶级模型的 Agent 分数。

已知短板（转引自公开报道，本次样本未覆盖）

• 世界知识维度仍落后前沿闭源约 3–6 个月（官方口径）；
• 指令遵循偶发翻车、输出偏"话痨"——Artificial Analysis 跑分烧掉 2.1 亿输出 token，是同级中位数的 3 倍多；
• 超长文本（~900K）检索能力一般；Agent 模式下推理语言锁英文。

适合谁用：重度代码/Agent 日常任务、批量生成、对成本敏感的团队——性价比目前没有对手。不适合谁用：需要精准百科知识、严格短输出或超长文档检索的场景，建议实测后再上。

一句话总结：V4 Flash 正式版是 2026 年年中"能干活 + 便宜到离谱"的典型代表，我这份 30 题实测没有找到它掉链子的地方——但小样本全对不等于无短板，样本量越大，结论才越稳。

FAQ

Q：30 题全对能说明什么？ A：说明在这 30 道中档难度的编程/数学/中文题上，模型没有出错。但样本量小（每类 10 题）、单轮次运行、题目以中档为主，100% 正确率不能推导出"模型没有短板"。要得到统计意义上的结论需要更大样本和多次采样。这份实测的价值在于：用可复现的真实数据印证了官方基准的方向，而非替代全面评测。

Q：和 Claude Opus 4.8 怎么选？ A：看场景和预算。V4-Flash 输出价约为 Opus 4.8 的 1/90，日常代码和 Agent 任务性价比碾压。但 Opus 4.8 在 Terminal Bench（85.0 vs 82.7）、Agents' Last Exam（25.7 vs 25.2）等高难基准上仍领先，复杂推理和长链 Agent 场景建议用 Opus 4.8。典型组合：Opus 4.8 做难活、V4-Flash 做量产，按任务难度分流。

Q：成本怎么算的？0.022 元和 0.044 元差在哪？ A：DeepSeek 对 V4 系列引入了峰谷计费：北京时间 9:00–12:00、14:00–18:00 为高峰时段，价格翻倍。本次测评在 10:51 北京时间运行，恰逢高峰，所以按高峰价算约 0.044 元；若在平时时段跑同样 30 题，约 0.022 元。两次都不到 5 分钱。

Q：怎么复现这次测评？ A：三步。第一步设置 API Key：$env:DEEPSEEK_API_KEY = "sk-..."。第二步本地校验：python harness.py --selftest（不消耗 API 额度，验证题目答案与解析器）。第三步完整复现：python harness.py --tests coding,math,chinese --workers 3。harness.py 纯标准库无第三方依赖，原始结果保存在 results/ 目录的 JSONL 文件中，含每题完整输出、token 用量、耗时，可逐条核对。

Q：高峰计费是什么？平时和高峰怎么区分？ A：DeepSeek 对 V4 系列引入了峰谷定价：北京时间 9:00–12:00 和 14:00–18:00 为高峰时段，输入和输出价格翻倍；其余时段（含夜间和周末）为平时价。缓存命中价在高峰也翻倍（0.02 元→0.04 元），但仍极低。如果你的任务是批量跑、对延迟不敏感，避开高峰时段可以省一半成本。

参考来源

• DeepSeek 官方模型卡 DeepSeek-V4-Flash-0731（ModelScope / HuggingFace）：规格与 9 项基准
• DeepSeek API 文档「模型 & 价格」（api-docs.deepseek.com）：模型名、峰谷定价
• Artificial Analysis 大模型智能指数与公开评测
• IT之家《DeepSeek-V4-Flash 正式版跑分报告》（2026-07-31）
• 科技日报《美标准机构评估认为……》（2026-05-05）
• 本文实测原始数据：harness.py + results/summary.json + raw_{coding,math,chinese}.jsonl（2026-08-02 10:51 北京时间真实调用）