🧠 模型 · 版本升级
DeepSeek V4 Flash 正式版 API 上线，Agent 能力全面超越前代
7 月 31 日，DeepSeek 通过 API 文档发布日志，宣布 DeepSeek-V4-Flash 正式版 API 上线公测。该模型在 Terminal Bench、NL2Repo、DSBench 等多项 Agent 基准测试中大幅超越 V4-Pro-Preview，成为当前最强版本。
综合公开信息整理•
2026-07-31•
全文约 3 分钟读完
#DeepSeek
#V4 Flash
#Agent
#基准测试
82.7
Terminal Bench 2.1
终端操作智能体
54.4
DeepSWE
软件工程任务
68.7
DSBench-FullStack
全栈开发
⚡ 30 秒速览
- 版本升级：DeepSeek-V4-Flash-0731 正式版 API 上线公测，模型结构与预览版保持一致，仅重新后训练。
- Agent 飞跃：在 Terminal Bench 2.1、NL2Repo、Cybergym、DeepSWE、Toolathlon 等 9 项基准测试中全面超越 V4-Pro-Preview。
- 原生适配：支持 Responses API 格式，针对性适配 Codex，开发者可无缝集成。
- 致胜关键：后训练环节重点强化 Agent 能力，工程优化释放模型潜力。
01Agent 基准测试全览 V4 Flash 正式版多项分数领先
DeepSeek 官方公布的基准测试结果覆盖了从终端操作到全栈开发的多个维度，下图为各任务得分排行（按分数从高到低排列）：
Terminal Bench 2.1终端智能体
82.7
Toolathlon verified工具调用
70.3
DSBench-FullStack全栈开发
68.7
Agent Last Exam智能体综合考试
25.2
Automation Bench (Public)自动化基准
25.1
注：条形图以最高分 82.7 为 100% 缩放，非零起点，便于展示相对差距。分数跨度较大（25.1–82.7），读者可关注绝对数值。
02正式版 vs 预览版：结构不变，能力跃升
DeepSeek 官方在 API 文档中明确说明：V4-Flash-0731 的模型结构、尺寸与 V4-Flash-preview 保持一致，仅重新进行了后训练。这意味着架构本身未变，升级全部来自训练工艺的优化。
V4-Flash-preview
预览版，基础能力已属上游，但 Agent 场景表现有限。
V4-Flash-0731 正式版
后训练专注 Agent 能力，9 项基准测试全面超越预览版，部分任务分数翻倍。
一个诚实的注脚：
虽然基准分数亮眼，但部分任务（如 Agent Last Exam 25.2）依然偏低，说明复杂推理场景仍有提升空间。正式版的价值在于 针对 Agent 场景的定向优化效果显著，且无需开发者适配新框架——原生支持 Responses API 和 Codex 意味着现有系统可快速集成。
后训练优化→适配 Codex→Responses API→Agent 能力释放
技术链路：后训练环节重点强化工具调用、任务拆解和结果验证能力，最终通过 API 形式交付给开发者。
03两个典型场景：从终端操作到全栈开发
💻 Terminal Bench：像人一样在终端里工作82.7 分
- 任务描述：模型需要像真实工程师一样在 Linux 终端中执行命令、读取文件、安装依赖、调试程序，最终完成指定目标。
- 能力要求：环境感知、命令生成、错误处理、多步规划，每一步都不能出错。
- 典型用例：「部署一个 Nginx 服务器并配置 HTTPS」——模型自主完成所有 shell 操作。
评分维度：任务完成度、步骤正确性、自主纠错能力 —— 综合得分 82.7，为所有基准最高。
📦 DSBench-FullStack：从需求到部署的全栈应用68.7 分
- 任务描述：根据自然语言需求，生成完整的前后端代码、数据库 schema、API 文档，并确保可运行。
- 能力要求：代码生成、框架选择、错误修复、部署配置。
- 典型用例：「创建一个博客系统，用户可注册、发帖、评论，使用 React + Node.js + PostgreSQL」。
评分维度：代码正确性、功能完整性、部署成功率 —— 大模型在复杂工程任务上取得突破。
这些基准测试的设计理念与 PinchBench 类似：考的是「把整件事做完并交付可验证结果」，而非简单的问答。V4 Flash 正式版在多个维度证明了自己可以胜任复杂工程场景。
04日常开发中的 Agent 能力
基准测试之外，这些能力能直接转化为开发者日常效率提升：
⚡
一句话生成自动化脚本
「写一个 Python 脚本，每天从 API 拉取数据，分析后发送邮件报告。」——模型自动生成完整代码，包含错误处理和日志记录。
🔧
智能体辅助调试
「我的 Node.js 应用在部署时出现 502 错误，帮我排查。」——模型自主分析日志、检查配置、定位问题并给出修复建议。
📊
数据流水线编排
「从 MySQL 导出用户数据，清洗后导入 BigQuery，并生成报表。」——多步任务链，每一步依赖上一步的输出，模型完整执行。
编辑核心判断
Agent 能力的突破不再依赖模型参数堆叠，后训练与工程适配已成为释放潜力的关键杠杆。DeepSeek 用结构相同的版本证明了这一点——这预示着未来 AI 竞争将从「参数军备」转向「系统工程效率」。