2026 年 7 月 31 日，DeepSeek V4 Flash 0731 進入 API public beta，並在同日以 MIT License 公開權重。DeepSeek 表示它沿用 Flash Preview 的核心架構與規模，只重新做了後訓練；第三方 Artificial Analysis（AA）卻測到 Intelligence Index 從 40 升至 50。這不是新架構發布，卻把開放權重 Agent 的基準成績／API 成本性價比再往前推了一步。
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核心模型推多遠？獨立測試是否看見同方向的躍升？開放權重與低 API 單價，能否把提升變成可重現的 Agent 生產力？本文談的「性價比」只限於 AA 的測試組合與 DeepSeek API 價格，不等於每種 Agent、每個 harness 或本地部署都便宜六成。
先把原始材料放在桌上。點擊下面的瀏覽器框，可直接前往 DeepSeek 官方 changelog；接下來再把官方成績、AA 外部實測、成本與可靠性逐一拆開。
DeepSeek V4 Flash 0731 到底發布了什麼？
官方 changelog 對這次升級的核心描述是：
“keeps the same model architecture and size as DeepSeek-V4-Flash-Preview, and was only re-post-trained.”
中文：「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，2026 年 7 月 31 日
把發布內容拆開，實際上是四件事：
- API 進入公測：呼叫名稱仍是
deepseek-v4-flash，目前對應DeepSeek-V4-Flash-0731；這次更新的是 Flash API，不是 V4-Pro 或 App／Web 模型的全面替換。 - Agent 介面補齊：新版支援 Responses API，並被 DeepSeek 描述為已針對 Codex 類工作流適配。
- MIT 開放權重：Hugging Face 官方倉庫公開、非 gated，repository 與模型權重採 MIT License；這不等於訓練資料與完整 pipeline 也開源。
- 1M context 上限：官方 config 列出 1,048,576 tokens，但「可輸入 1M」不代表已證明整段 1M 都能穩定推理或當成永久記憶。
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。
官方說只做後訓練：這個說法能驗證到哪裡？
「只重新後訓練」是 DeepSeek 的供應商聲明，不是外部對完整訓練歷程的審計。不過，「同一核心架構」至少有可交叉檢查的線索：對照官方 Hugging Face 上的 舊版 config 與 0731 config，移除模型路徑欄位後，設定內容相同。
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。
截至 2026 年 8 月 3 日，官方 changelog、模型卡與 repository 說明了結果與部署方式，沒有列出 0731 專屬的訓練資料、算力、SFT／RL recipe 或 ablation。外部現在能檢驗的是結果是否同方向改善，不能獨立重建「只靠後訓練」的因果鏈。
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。
AA 也看見上升，但 50 不是通用 IQ
Artificial Analysis（AA）在 v4.1 方法、同為 max effort 的條件下測得：Intelligence Index 從 40.2825 升至 49.9277，增加 9.645 分，頁面四捨五入為 40→50。這是目前最重要的外部交叉檢查。
| AA 外部測試 | Flash Preview | 0731 |
|---|---|---|
| Intelligence Index | 40.28 | 49.93 |
| Terminal-Bench 2.1 | 61.80% | 78.65% |
| GDPval-AA Elo | 1,189.0 | 1,558.6 |
| τ³-bench Banking | 22.89% | 31.13% |
這組結果讓結論變得清楚：能力上升的方向有外部證據支持，DeepSeek 自報的精確幅度仍不能視為獨立重現。同一模型在 AA 的 Terminal-Bench 是 78.65%，不是官方表裡的 82.7%；差距本身就在提醒我們，Agent 成績屬於「模型 × harness × effort × 工具環境」，不是權重的單一常數。
「50」也不是脫離條件的通用 IQ。AA v4.1 方法由九組英語、純文字評測組成，Agents、Coding、Science、General Knowledge 權重依序為 34%、24%、24%、18%，0731 又開在 max effort。這個權重結構會放大 Agent／coding 改善，不能推成所有知識領域同步進步。
「成本低 60%」的分母是什麼？
AA 的 7 月 31 日分析把 0731 描述為相較 GPT‑5.6 Luna max 每任務成本約低六成。把公開數字拆開：整套 Index 總成本是 72.02 對 174.06 美元，低 58.6%；目前 dashboard 的 weighted cost per task 則是 0.02713 對 0.04735 美元，低 42.7%。兩種彙總方式不同，因此「約六成」只能視為 AA 當日、該比較對象與該測試組合的快照。
它也不是「相較舊 Flash 便宜六成」：按目前 weighted cost per task，新版反而約高 16%；整套總成本只低約 3%。截至 2026 年 8 月 3 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；cache hit 與 miss 相差 50 倍，官方還預告未來尖峰時段可能調為兩倍價格，日期另行公告。真正該量的是每個成功任務的總成本：token、cache 命中、重試、驗證與延遲都要算進去。也可搭配 AlphaLab 對 GPT‑5.6 Luna 降價 80% 的分析。
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，AA-Omniscience 的正確率仍是 37.23%，只比前一版多答對一題；6,000 題中有 3,177 題判為 incorrect，占全部題目的 52.95%。新版的主要變化，是更常部分作答或承認不知道，而不是事實準確率大幅跳升。
所以圖上的 84.36%不能搬去解讀成「一般聊天有 84% 都答錯」。它只描述 AA 這套高難度知識題中，模型在沒有完全答對的回答裡，有多常選擇錯答而不是部分回答或不作答。正確結論是：模型少了一些亂猜，校準有所改善；執行／工具能力大升，但事實正確率沒有同步突破。
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」
MIT License 允許下載、修改、部署、再散布與商業使用，只要保留授權與版權聲明。精確說法應是「MIT 開放權重」，不是把它包裝成所有要素都公開的「完整開源」：官方材料沒有附上 0731 的訓練資料、完整 recipe 或訓練 log，模型卡也仍把 benchmark harness 標為「to be released」。
硬體門檻也不小。DeepSeek V4 官方技術報告把核心 target model定義為 284B 總參數、每 token 啟用 13B；0731 可下載 checkpoint另附既有 DSpark 推測解碼模組，Hugging Face safetensors 統計約 304.18B tensors，檔案約 166.9 GB。官方 vLLM 範例使用一個 4×NVIDIA GB300 節點。13B active 能降低每 token 計算量，不代表它是可塞進一般單卡的 13B 小模型。
社群很快就能開始量化、移植、替換推論引擎與測試不同 Agent harness，這是開放權重的真正價值；但量化不會把它魔法般變成小模型。便宜的第一方 API 與便宜的 self-host 是兩套經濟模型：後者還要攤提 GPU、記憶體、吞吐、維運與利用率。這與 Kimi K3 權重落地後「可下載、未必人人可跑」是同一個現實；部署路線可接著看《LLM 推論引擎怎麼選》。
熱度可以量化，但不能從熱度推出 API 採用
截至 2026 年 8 月 3 日 12:04（台北時間），官方 X 首發透過非官方 FxTwitter metrics proxy讀到約 835.4 萬次觀看與 28,986 個讚；Hacker News 討論為 737 points、345 comments；Hugging Face 官方模型頁為 1,803 likes、156,173 monthly downloads。這些都是會變動的抓取快照。
但 views、points、likes 都不是實際 Agent 使用量。Hugging Face models download是按其規則計入特定檔案請求的近月統計，不代表 156,173 位獨立使用者完整下載 166.9 GB。這三組數字能支持的是發布吸引了大量注意，且開放權重讓實測迅速展開；不能單獨證明 API tokens、留存或生產部署同步暴增。
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，而是同一核心架構還有多大可塑性
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 78.65 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、驗證器、回歸測試與平行 Agent。前提是把 cache 命中、重試與驗證也納入成本：便宜模型如果需要反覆救火，成功任務成本仍可能不低；反過來說，低單價若能換來更多可自動驗收的候選，才可能接近真正的生產力。
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 3 日，官方模型卡仍把 Harness 標為待發布，本次材料也未提供 0731 recipe，所以「權重可得」與「官方結果可重現」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 的獨立指標也看見綜合、Agent、coding 與 Terminal-Bench 明顯上升，因此「能力方向性進步」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；AA-Omniscience 正確率沒有跟 Agent 分數一起跳；1M context 也只是容量上限，不是有效記憶保證。把它直接寫成「以 0.28 美元買到頂級 Agent」太粗糙——真正買到的是低 token 單價與較高的任務上限，最終成本和品質仍取決於 Harness、有效 context、重試率與驗收設計。
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》。
接著閱讀
左右滑動查看更多推薦
內容類型：文章同主題
DeepSeek V4 Flash 0731：每題 US$0.04，ARC-AGI-2 得 61.4%（2026）
ARC Prize 驗證 DeepSeek V4 Flash 0731 以每題約 US$0.02／0.04，在 ARC-AGI-1／2 Semi-Private 取得 89.0%／61.4%。本文拆解成本、評測邊界與 agent 實戰意義。
閱讀文章
內容類型：文章近期更新
DeepSeek V4 Flash 0731 完整教學：API、Codex、reasoning_effort 與本地硬體真相（2026）
284B 模型真的只要 5.3GB？本文拆解 0731 更新、API 與 Codex 接法、reasoning_effort 測試方法，以及本地量化與 SSD streaming 的真實門檻。
閱讀文章
內容類型：文章同主題
Inkling-Small 完整權重釋出：12B active 真的追上 975B Inkling？（2026）
Thinking Machines 釋出 Inkling-Small 完整權重。本文核對 276B／12B active、1M context、公開與內部 benchmark、近 500 GiB 權重及授權限制，判斷它是否真的追上 975B Inkling。
閱讀文章
內容類型：文章同主題
OpenAI GPT-5.6 降價：Luna 砍 80%，API 成本曲線真的被重畫了嗎？（2026）
OpenAI 將 GPT-5.6 Luna API 價格砍 80%、Terra 砍 20%，Sol Fast mode 最高快 2.5 倍。本文拆解新舊牌價、agent 任務成本與「模型協助降本」自述，判斷這次 GPT-5.6 降價真正改變了什麼。
閱讀文章
內容類型：文章同主題
MAI-Cyber-1-Flash 深度解讀：小模型最多接手九成任務，成本真減半？（2026）
Microsoft 用 MAI-Cyber-1-Flash 承接 MDASH 多數資安任務，最難部分才交給 GPT-5.4。本文查核 CyberGym 95.95%、80／90／95% 口徑與成本減半主張。
閱讀文章
內容類型：文章同主題
Meta Muse Glimmer 30B 正式釋出：24GB 本機 Agent，82% 幻覺率怎麼看？（2026）
Meta 正式釋出 Muse Glimmer 30B 的 BF16 與兩套量化權重，讓 24GB／32GB 消費級硬體有機會跑多模態本機 Agent。本文核對 Apache 2.0、實際檔案、工具呼叫、獨立 Agent 評測與 AA-Omniscience 82% 幻覺率，說清楚它為何是有價值的本機工作模型，卻不是通用 frontier 突破。
閱讀文章
如果只留下一句話：DeepSeek 稱 0731 維持同一核心架構、只重新做了後訓練；AA 則獨立測到 40→50 與多項 Agent 指標上升。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、自己的成功成本與自己的驗收標準，把這次進步重做一遍。