DeepSeek V4 Pro 正式版上线，两个被四舍五入掉的前提
8 月 13 日，DeepSeek 把 V4 Pro 从预览版推进到正式版，同时公布了一张对比表和一份新价格。
8 月 13 日，DeepSeek 把 V4 Pro 从预览版推进到正式版，同时公布了一张对比表和一份新价格。
表里最扎眼的是两个数字：Terminal-Bench 2.1 上，DeepSeek-V4-Pro-0813 拿到 87.9，最右边那一列写着「Claude Fable 5（w/ fallback）」，88.0。只差 0.1 分，而输出价格是后者的五十七分之一。
这两个数字都值得看，只是各自都少说了一个前提。这篇分两半：前半篇讲这次上线里能立刻动手试的东西，后半篇讲那 0.1 分和那 57 倍分别是怎么来的。
DeepSeek 官方公告确认 V4 Pro 正式版于 2026 年 8 月 13 日在 App、网页端和 API 同步上线
0813 这一版换了什么
新版本编号 DeepSeek-V4-Pro-0813，App、网页端和 API 三端同步。网页端要选「专家模式」，API 仍然调用 deepseek-v4-pro。
GA 在这里指 4 月的预览版进入正式服务。开发者不用改模型名，原来的请求会直接落到 0813 上。接入很省事，代价是线上应用会在没有任何代码变更的情况下换掉模型。
成绩涨得很猛。Terminal-Bench 2.1 从预览版的 72.1 涨到 87.9，DeepSWE 从 12.8 涨到 62.7。后者接近五倍，预览版在这项上本来就低得不太正常，正式版补上的更像是工程完成度，而不只是模型能力。
这里有个容易被忽略的细节。很多团队的调用日志里只记了 deepseek-v4-pro 这个名字，以后回看一次失败的调用，很难一眼判断它跑的是预览版还是 0813。至少在这次切换前后，把日期、思考强度和采样参数一起写进日志，后面出现效果波动时才有东西可查。同一个模型名下换掉权重，排查成本是落在使用方这边的。
原生 Responses API 和三档思考强度
比跑分更值得马上动手的是接口这一层。DeepSeek API 现已原生支持 OpenAI Responses API 格式，并针对 Codex 做了适配，还提供一键配置脚本。V4-Pro 和 V4-Flash 的思考模式也开放了三档：low 给简单任务，high 给日常 Agent 任务，max 给高度复杂任务。
已经接入 Responses API 的 Agent 工具，改后端配置就能换过来试。以前接 DeepSeek，经常要在几种消息格式之间自己加一层转换，原生支持能省掉这部分适配。正在跑 Codex 工作流的团队，用现有任务做一轮替换测试的成本不高。
不过接口兼容只解决「接得上」。工具调用能不能稳定跑完是另一回事，尤其是 Agent 连续调用终端、读文件、提交补丁的时候，一次参数理解偏差会在后面的步骤里不断放大。
三档强度也不适合只看谁分数高。简单任务开到 max 反复琢磨，响应时间和 token 消耗都会跟着上去；日常任务压到 low，省下的钱可能还不够补一次返工。合理的做法是挑一批跑过的旧任务，三档各跑一遍，看完成率和耗时的实际分布，再定每类任务的默认档位。这比凭感觉设一个全局值可靠得多，也是这次上线里最容易在一两天内做完的事。
需要提前算一笔账的是，这种复测本身就在烧 token。一次 Agent 任务会反复读取仓库内容，工具调用失败还要重试，缓存和并发很快堆起来。而这笔账的单价，三天后就要变。
88.0 那一列不是 Fable 5 的
回到那张对比表。DeepSeek 把「Fable 5（w/ fallback）」放在最右边，Terminal-Bench 2.1 得分 88.0。
Anthropic 的系统卡里，88.0 记在 Claude Mythos 5 名下，Fable 5 的成绩是 84.3，两款模型在汇总表里各占一列。
Fable 5 那次测试还有一个前提：20.9% 的轨迹触发了安全拒答，后半程改由 Opus 4.8 接着做。所以 84.3 测的是带安全路由的线上产品，Mythos 5 的 88.0 测的是模型本身，两者面向的场景也不同。DeepSeek 没有说明它为什么把 88.0 写在 Fable 5 名下。
评测框架也没有统一。DeepSeek 用自家 Harness 极简模式，推理强度开到 max，top_p=0.95，temperature=1.0。Anthropic 用的是 mini-SWE-agent，89 个任务各跑五次，共 445 次，运行环境和超时限制都写在系统卡里。系统卡还提到，换掉旧 harness 之后超时变少，分数也稳定了不少。
这句话本身就说明了问题：模型没变，只改超时和重试方式，Agent 跑分就能差出几分。现在两边连整套 harness 都不一样，那 0.1 分已经没法说明谁更强。
这类测试测的本来也不只是模型会不会写代码。Agent 要先读懂仓库，决定运行哪条命令，还得在测试超时之后判断是继续等、缩小范围，还是换一种修法。同一个模型若在某套框架里更容易恢复现场，最终完成率就会好看一些。把框架带来的差异压进一位小数，读者看到的精确度远高于这次比较真正能提供的精确度。
V4 Pro 用自家框架跑到 87.9，成绩够强，进候选名单很正常。「已经追平 Fable」这句话，要等同一套 harness 下的复测才能说。
DeepSeek 把 V4-Pro-0813 的 Terminal-Bench 2.1 成绩列为 87.9，最右侧的「Fable 5（w/ fallback）」列为 88.0
8 月 17 日零点之后，成本换一套算法
另一个数字是价格。V4 Pro 每百万输出 token 为 0.87 美元，Fable 5 是 50 美元，后者约是前者的 57 倍。这个倍数成立，但有效期只到本周一。
北京时间 8 月 17 日零点，DeepSeek 启用新价格，并且改成峰谷计价。V4 Pro 每百万输出 token 从 6 元涨到闲时 13.5 元、高峰 27 元。缓存未命中输入由 3 元变成 4.5 元或 9 元。缓存命中涨得最狠，从 0.025 元变成 0.15 元或 0.30 元，是原价的 6 倍和 12 倍。
按国际站价格算，V4 Pro 输出闲时约 1.98 美元，高峰约 3.96 美元。Fable 5 仍然贵得多，但价差会从 57 倍缩到约 25 倍或 13 倍。
换成人民币更直观。同样生成 1000 万输出 token，旧价是 60 元，新价闲时 135 元，高峰 270 元。单次任务看不出多少，持续跑代码审查、仓库扫描或内部 Agent 之后，差额会慢慢显出来。DeepSeek 依然便宜，只是以后讨论成本时得顺手问一句：这个数字按哪个时段算。
DeepSeek 新价格将于北京时间 2026 年 8 月 17 日零点生效，高峰时段是 9 点至 12 点、14 点至 18 点
缓存命中那一列最值得盯。Agent 会反复携带仓库上下文，也要读取前几轮的工具结果，长期任务很吃缓存。高峰时段的缓存价直接变成原来的 12 倍，近乎免费的缓存到此为止。
偶尔聊天花不了多少钱。团队每天跑几百个代码任务，账单会直接受运行时间影响。夜间批量跑一批，成本只有高峰期的一半；需要开发者在线盯着的修复任务，就省不了这笔钱。DeepSeek 划出的高峰期一天共 7 小时，正好盖住国内团队常用的工作时段。代码扫描可以挪到其余 17 小时，报表也能晚点生成，白天处理仓库问题还是得按高峰价算。
顺便说，前面提到的那轮三档强度复测，现在做和下周做，单价差着一倍多。
值得试，但别照着表格下结论
这次上线可以拆成两句话。
能立刻动手的是接口那一层：原生 Responses API 少了一层格式转换，三档思考强度给了成本和效果之间的调节旋钮。这两样不依赖任何跑分，用自己的旧任务跑一轮就能看出值不值。
不适合照单全收的是那两个数字。88.0 是 Mythos 5 在 mini-SWE-agent 下的成绩，不是 Fable 5 的；87.9 是 DeepSeek 在自家 Harness 下的成绩。两个前提不一样，中间那 0.1 分不成立。57 倍这个价差是真的，但它属于 8 月 17 日零点之前。
判断标准其实只有一条：这些数字里，有哪一个是在你自己的任务、你自己的 harness、你自己的用量结构下测出来的。没有的话，它就只是别人的实验条件。