2026 年 7 月 31 日，DeepSeek 在 X 發布 DeepSeek V4 Flash 0731：先讓正式 API 進入公開測試，約 34 分鐘後又建立 Hugging Face 官方倉庫，放出 MIT 授權權重。DeepSeek 表示這次沒有更換架構、沒有把模型做大，只重新做了後訓練；但它公布的 Agent 與 coding 分數，卻像換了一代模型。
真正值得追問的不是「DeepSeek 又刷榜了嗎」，而是三件事：後訓練究竟能把同一個模型推多遠？獨立測試是否看見同方向的躍升？開放權重與極低 API 單價，會不會真的改寫 Agent 的使用方式？
先把官方發布放在桌上。點擊下面這張截圖，可以直接前往 DeepSeek 的 X 原文；接下來會先忠實整理發布內容，再把官方分數、Artificial Analysis 外部實測與部署成本逐一對照，最後給出可操作的判斷。
DeepSeek V4 Flash 0731 到底發布了什麼？
官方首發第一句很直接：
“DeepSeek-V4-Flash Official API is now LIVE in public beta!”
中文：「DeepSeek-V4-Flash 正式 API 已上線，並進入公開測試。」
— DeepSeek 官方 X，2026 年 7 月 31 日
把發布內容拆開，實際上是四件事：
- API 版本更新：呼叫名稱仍是
deepseek-v4-flash，官方定價頁顯示它目前對應DeepSeek-V4-Flash-0731。 - Agent 介面補齊：新版原生支援 Responses API，並被 DeepSeek 描述為已針對 Codex 適配；發布當時只有 Flash 支援這個介面。
- 更新範圍有限：當天更換的是 Flash API；V4-Pro API 與 DeepSeek App／Web 模型沒有同步更新。
- 權重真的可下載：Hugging Face 官方倉庫無需申請即可存取，模型卡與授權檔都把 repository 與模型權重置於 MIT License。
所以「API 公測」和「開放權重」不是二選一：DeepSeek 同時提供第一方託管 API，也把可自行部署的權重交到社群手上。
只重做後訓練，為什麼能像換了一顆模型？
DeepSeek 在 2026 年 7 月 31 日 changelog 寫下這句關鍵說明：
“keeps the same model architecture and size as DeepSeek-V4-Flash-Preview, and was only re-post-trained.”
中文：「它維持與 DeepSeek-V4-Flash-Preview 相同的架構與大小，只重新進行後訓練。」
— DeepSeek API Change Log
預訓練建立模型的知識與基礎能力，後訓練則把那些能力塑造成可用的行為：怎麼遵守指令、何時呼叫工具、如何維持長任務狀態、失敗後要不要重試，以及該花多少 token 思考。想先補齊這個背景，可以看 AlphaLab 的《AI 模型怎麼學習？預訓練、SFT、強化學習與 Evals》。
這也是 Agent 最容易被低估的一點：同一個預訓練底座，如果後訓練讓模型更會讀工具回傳、更少提早宣布完成、更能在錯誤後修正路線，整條任務鏈的成功率就可能非線性上升。用一個把每一步視為互相獨立的簡化例子來看：單步成功率從 90% 提高到 96% 看似只多 6 個百分點，但連續十步都正確的機率會從約 35% 升到約 66%；這是複利效果示意，不是 0731 的實測完成率。
不過「只重做後訓練」目前仍是 DeepSeek 的官方自述。截至 2026 年 8 月 1 日，在這次官方 X、changelog、模型卡與 repository 中未見新的訓練資料、算力、SFT／RL 配方或完整紀錄，因此外部能驗證的是結果是否同方向改善，不是訓練過程本身。
DeepSeek V4 Flash 0731 的 Agent 分數跳了多少？
DeepSeek 公布九項 Agent／coding benchmark，0731 在表內每一列都高於 Flash Preview 與 V4-Pro Preview；最誇張的是 DeepSWE，從 7.3 拉到 54.4。完整官方表如下：
| 代表性項目 | Flash Preview | 0731 | 變化 |
|---|---|---|---|
| Terminal Bench 2.1 | 61.8 | 82.7 | +20.9 |
| DeepSWE | 7.3 | 54.4 | +47.1 |
| AutomationBench Public | 10.8 | 25.1 | +14.3 |
表格最重要的內容，其實在最下面的小字。公開 Code Agent 項目使用尚未釋出的 DeepSeek Harness minimal mode，模型開到 max reasoning effort，取樣設定為 temperature=1.0、top_p=0.95；DSBench-FullStack 與 DSBench-Hard 則是內部資料集。
還有一個容易被忽略的落差：DeepSeek API 預設 effort 是 high，頭條 benchmark 用的是 max。因此這些是官方系統在這套 max-effort 設定下的結果，不是一般人維持預設設定就必然得到的體感。
外部評測看見同方向，但不是同一個 82.7
Artificial Analysis（AA）在相同 v4.1 方法、同為 max effort 的條件下測得：Intelligence Index 從 40.28 升至 49.93，頁面四捨五入為 50；Agentic Index 從 31.06 升至 45.67，Coding Index 從 56.17 升至 69.06。
| AA 指標 | Flash Preview | 0731 |
|---|---|---|
| Intelligence Index | 40.28 | 49.93 |
| Agentic Index | 31.06 | 45.67 |
| Coding Index | 56.17 | 69.06 |
| Terminal-Bench 2.1 | 61.8% | 78.7% |
這組結果讓結論變得清楚：能力跳升的方向有外部證據支持，DeepSeek 自報的精確幅度則還不能視為獨立重現。AA 的 Terminal-Bench 2.1 是 78.7%，較 preview 的 61.8%提高近 17 個百分點，但不是官方表裡的 82.7。
而「50」也不是一個脫離條件的通用 IQ。AA v4.1 方法是英文、純文字測試，Agents 與 Coding 權重分別為 34% 與 24%，合計 58%，0731 又開在 max effort。AA 自己還寫下：
“When evaluating the Intelligence Index, it generated 210M tokens, which is very verbose in comparison to the median of 100M.”
中文：「在 Intelligence Index 評測中，它產生了 2.1 億 token；相較於 1 億 token 的中位數，非常冗長。」
— Artificial Analysis
這代表新版的亮點是單價極低，不是思考免費。截至 2026 年 8 月 1 日，DeepSeek 第一方 API 定價為每百萬 cache-hit 輸入 token 0.0028 美元、cache-miss 輸入 0.14 美元、輸出 0.28 美元；AA 跑完整套 Index 花了 72.02 美元。官方另已預告未來尖峰時段會改為兩倍價格，但尚未公布生效日。
如果你關心的是整體 Agent 成本曲線，也可以搭配看 AlphaLab 對 GPT‑5.6 Luna 降價 80% 的分析：真正應比較的是「完成一個任務要多少錢」，而不只是每百萬 token 的標價。
更會做事，不等於更值得不經查證地相信
AA 的反向結果比「50」更有價值。根據 AA 的 0731 分析，在 AA-Omniscience 中，新版知識正確率仍約 37%，幾乎沒有提高；改善主要來自少做錯誤猜測，使這個特定 benchmark 定義的 hallucination rate 從約 96%降至 84%。
這裡的 84%不能搬去解讀成「一般聊天有 84% 都在幻覺」，它只是 AA 那套高難度知識題與拒答規則下的指標。AA 公開證據能支持的是：執行與工具類評測大幅改善，但 AA-Omniscience 的知識正確率沒有同步提高。
因此，適合讓它多做的是可驗收的工作：跑測試、改程式、操作工具、整理資料、產出可比對的檔案。涉及事實、權限或不可逆操作時，系統仍需要 schema 驗證、測試、diff、沙箱與明確的人工確認點。這不是對 DeepSeek 特別苛刻，而是 Agent 工程本來就該把「產生答案」和「證明答案」分開。
MIT 開放權重是真的，但「能下載」不等於「筆電能跑」
“This repository and the model weights are licensed under the MIT License.”
中文：「此儲存庫與模型權重均採 MIT 授權。」
— DeepSeek 官方模型卡
這個授權允許下載、修改、部署、再散布與商業使用，只要保留 MIT 的授權與版權聲明。精確說法應是「MIT 開放權重」，而不是把它包裝成所有要素都公開的「完全開源」：截至 2026 年 8 月 1 日，在這次官方發布、模型卡與 repository 中未見 0731 的後訓練資料、完整 recipe、訓練 log；模型卡也把 benchmark harness 標為「to be released」。
硬體門檻也不小。DeepSeek V4 官方技術報告把 Flash backbone 定義為 284B 總參數、每 token 啟用 13B；0731 官方模型卡與檔案樹顯示 checkpoint 另附 DSpark 推測解碼模組，Hugging Face 側欄自動統計約 304B。48 個 safetensors shard 合計約 166.9 GB，而模型卡中的 vLLM 範例使用一個 4×NVIDIA GB300 節點。
社群量化可以把儲存與推理門檻往下壓，但不會把它魔法般變成小模型。這與 Kimi K3 權重落地後「可下載、未必人人可跑」是同一個現實；要評估 vLLM、llama.cpp、MLX 與不同硬體路線，可以接著看《LLM 推論引擎怎麼選》。
關注度確實爆發，API 使用量則還沒有公開證據
截至 2026 年 8 月 1 日 19:30（台北時間），官方 X 首發約有 678 萬次觀看、2.54 萬個讚；Hacker News 討論累積 562 points、300 則可見留言；Hugging Face 官方模型頁則有 1,238 likes 與 15,366 downloads。這些動態快照顯示發布在不到兩天內獲得大量關注。
但這些都不是「實際使用量」：X views 不是獨立人數；Hugging Face 的 models download 統計是特定檔案的 GET／HEAD 請求，不等於 15,366 人完整下載 166.9 GB 權重；這次 DeepSeek 官方發布資料也沒有提供 API token 或活躍使用者數。因此，最準確的表述是Agent 評測與社群關注同步爆發，而不是宣稱 API 用量已被證實暴增。
AlphaLab 的判讀：這次真正改變了什麼？
判讀一：最大的新聞不是模型變大，而是相同架構與規模還有多大可塑性
如果 DeepSeek 對訓練範圍的描述準確，0731 展示的是一個很強的工程訊號：frontier 模型的價值不只在預訓練花了多少算力，也在之後能不能把能力壓進穩定的工具使用、長任務控制與錯誤恢復。這會讓「後訓練資料、環境與評測」的競爭變得更重要，而不只是比誰的參數多。
判讀二：Agent benchmark 測的是系統，不只是模型
Agent 成績可以近似寫成：模型權重 × Harness × 推理預算 × 工具 × 任務環境。模型卡把 DeepSeek Harness 標為「to be released」，就代表社群目前拿到的是「引擎」，卻還沒拿到官方比賽用的完整「賽車」。AA 用另一套系統仍測到大幅上升，支持能力提升可以在另一套 harness 中觀察到；兩邊 82.7 與 78.7 的差距，也提醒我們不能把系統分數誤讀成單一模型常數。
判讀三：低價最先改寫的是實驗頻率
每百萬輸出 token 0.28 美元的意義，不只是把同一個 prompt 變便宜，而是讓團隊可以跑更多候選方案、更多驗證器、更多回歸測試與平行 Agent。當探索成本下降，原本只敢跑一次的流程能跑十次，再用測試淘汰九個錯誤答案。這種「便宜到可以反覆驗證」的能力，可能比單次回答更接近真正的生產力。
判讀四：開放權重有利於擴散，卻不會自動解決可重現性
MIT 權重讓研究者能量化、換推理引擎、做私有部署、檢查行為並針對領域後訓練，這是實質開放；但截至 2026 年 8 月 1 日，官方模型卡仍把 Harness 標為待發布，本次發布資料也未提供 0731 recipe，所以「權重可得」與「結果可重現」現在只完成了前半段。這也正是開放權重政策爭論裡最容易被一句「開源」掩蓋的差別。
我同意什麼，又存疑什麼？
我同意的：0731 不是只有一張官方榜單。AA 的獨立指標也看見整體、Agentic、Coding 與 Terminal-Bench 明顯上升，因此「能力方向性躍升」可信；MIT 權重和低 API 單價，也讓產品與研究社群具備快速採用與驗證這次升級的條件。
我存疑的：官方最大幅度仍混合了未公開 Harness、max effort 與兩組內部資料；知識正確率沒有跟 Agent 分數一起跳；AA 評測又消耗約兩倍於中位數的輸出 token。把它直接寫成「以 0.28 美元買到頂級模型」太粗糙——你買到的是極低單價與很高的任務上限，最終成本和品質仍取決於 Harness、token 用量與驗收設計。
DeepSeek V4 Flash 0731 適合誰？四個實際下一步
- 正在用 DeepSeek API：固定 20 個真實任務，同時跑預設
high與max，記錄完成率、輸出 token、延遲、重試次數與總成本。不要拿一個 demo 決定路由；可以直接套用《用 10 題小型 Eval 建立模型路由》的方法。 - 正在做 coding Agent：把模型與 Harness 分開 A/B。至少記錄工具呼叫格式錯誤、提早結束、測試通過率與失敗後恢復率；等 DeepSeek Harness 釋出後，再檢查官方 82.7 能否在公開環境靠近。
- 想自行部署：先算記憶體、KV cache、吞吐與並行需求，再選原生權重或量化版。官方 4×GB300 是部署範例，不是一般工作站承諾；推理引擎、量化精度與 reasoning effort 映射都會改變結果。
- 想把低價變成產能：把省下的預算用在驗證器、測試與平行候選，而不是只放大單次輸出。想理解 Harness、Loop、Graph 分工，可看《AI Agent 三層架構》；想把 Memory、Skills 與排程串成可累積工作流，可接著看《Hermes Agent 進階教學》。
📚 延伸閱讀
- AI 模型怎麼學習？預訓練、SFT、強化學習與 Evals
- AI Agent 三層架構：Harness、Loop、Graph Engineering 差在哪
- AI 模型怎麼選？用小型 Eval 建立任務路由
- Kimi K3 權重正式落地：可下載，為何仍不是人人可跑
- LLM 推論引擎是什麼？vLLM、llama.cpp、MLX 怎麼選
- AI 巨頭為何聯手捍衛開放權重模型
如果只留下一句話：DeepSeek 稱 0731 維持相同架構與規模、只重新做了後訓練；AA 則獨立測到 Agent 指標明顯上升。DeepSeek V4 Flash 0731 下一個真正決定它能走多遠的事件，不是更多轉發，而是 DeepSeek Harness 公開後，社群能否用自己的任務、自己的成本與自己的驗收標準，把這次躍升重做一遍。