DeepSeek V4-Flash正式版上线：Agent跑分82.7，能替代Codex主力模型吗？

前面写 DeepSeek V4发布、V4 降价实测 时，卡哥的判断一直没变：V4-Flash 便宜，日常任务很香；但碰到长程 Agent 任务，不能只看参数和单次回答。

现在这件事有了新变量。

7 月 31 日，DeepSeek 把 V4-Flash 的官方 API 放进公测。模型名还是 deepseek-v4-flash，但实际版本已经更新为 DeepSeek-V4-Flash-0731。

这次不是 App 或网页端换模型。官方明确说了：升级的只有 API；V4-Pro API、DeepSeek App 和网页端模型都没变。 所以你在网页里试几句，不能据此判断这次更新有没有生效。

跑分很猛，但先看清它测的是什么

这次最炸眼的是 Agent 基准。

基准	V4-Flash-0731	V4-Flash-Preview	V4-Pro-Preview
Terminal Bench 2.1	82.7	61.8	72.1
NL2Repo	54.2	39.4	38.5
Cybergym	76.7	38.7	52.7
DeepSWE	54.4	7.3	12.8
Toolathlon-Verified	70.3	49.7	55.9
DSBench-FullStack	68.7	37.0	41.8

官方原话是，新版在 Agent 能力上显著增强，跑分大幅超过 V4-Pro-Preview。更新日志 (opens new window) 也给出了完整数字。

这个提升值得重视，但别把它翻译成“Flash 已经全面超过 Pro，更超过所有顶级模型”。

原因很简单：这些是官方评测，公开 Code Agent 基准使用的是即将发布的 DeepSeek Harness minimal mode，并且开到 max effort、top_p=0.95、temperature=1.0。它能说明模型在这套 Agent 设定下变强了，不能替代你的仓库、工具链、测试和验收。

另外，DSBench-FullStack 和 DSBench-Hard 是 DeepSeek 的内部测试集。拿来观察方向可以，不能和公开基准混在一起当成一个绝对排名。

真正该验证的是：它会不会读错你的代码、工具调用是否稳定、改完能否自己跑测试、失败后会不会带着证据继续找，而不是只看它能不能一次写出一段漂亮代码。

这次真正值得开发者注意的，是 Responses API

V4-Flash-0731 原生支持 Responses API。这是 Codex 客户端与模型交互使用的接口格式。

DeepSeek 已经把 Codex 接入文档放出来了：目前只有 deepseek-v4-flash 支持接入 Codex，deepseek-v4-pro 预计 8 月初再支持。你可以按官方 Codex 接入文档 (opens new window)一键配置，也可以手动配置模型目录和 provider。

这意味着它不再只是“兼容 OpenAI Chat Completions 的便宜 API”。

对于已经在 Codex 里跑多轮读代码、改文件、执行命令、验证结果的录友，Flash 现在有了更直接的接入方式。

不过先别把生产主力一把切掉。

建议这样试：

• 先挑可自动验收的任务：补单测、批量代码扫描、重复性重构、日志归因。
• 一次只换一个变量：同一个仓库、同一份任务说明、同一套测试，比较完成率、耗时和 Token 消耗。
• 涉及生产、权限、资金、安全的改动，仍然保留人工 review 和 CI；模型跑分再高，也不是发布审批。

如果你刚开始做这类工作流，可以先看 Agent 到底是什么 和 Agent 为什么容易翻车。模型能力只是其中一环，工具边界、上下文和验证闭环更决定结果。

价格没变，峰谷定价要盯住

模型名不变，调用方式也不变：继续填 deepseek-v4-flash，就是最新的 0731 版本。

当前常规价按百万 Token 计算：

项目	V4-Flash	V4-Pro
缓存命中输入	0.02 元	0.025 元
缓存未命中输入	1 元	3 元
输出	2 元	6 元
并发限制	2500	500

V4-Flash 仍然是这套产品里最适合铺量的一档：输入、输出都低，并发还高。

但要注意价格页新增了一条规则：DeepSeek 将采用峰谷定价，高峰时段的所有计费项按常规价两倍收取；目前生效时间仍以官方公告为准。拟定的高峰是北京时间每天 9:00–12:00、14:00–18:00。

所以别只按“1 元输入、2 元输出”做月度预算。你要是把批处理和子 Agent 都集中在白天跑，价格规则生效后，账单会直接翻倍。能异步的低优先级任务，排到夜间更合理。

Flash 能不能当主力？答案是：先让它干能验收的活

这次 V4-Flash 的位置更清楚了：不是单纯拿来问答、总结、补全的小模型，而是可以进入 Agent 第一轮选型的低成本候选。

但“能进第一轮测试”和“直接替换最强模型”是两回事。

低风险、任务量大、结果能跑测试验证的活，优先给 Flash；跨模块排障、架构判断、失败代价高的任务，仍然要给更强模型和人留位置。把省下来的预算，用在真正需要深度推理和复核的地方。

这才是这次升级最实在的用法。

加油