DeepSeek 在 2026 年 7 月 31 日發布 DeepSeek V4 Flash 0731；8 月 7 日（UTC；台北時間 8 月 8 日凌晨），這份 ARC Prize Verified 成績頁被提交至 Hacker News 後迅速引發討論：ARC-AGI-1 Semi-Private 得分 89.0%，ARC-AGI-2 Semi-Private 得分 61.4%，估算成本卻只有每題約 US$0.02 與 US$0.04。這不是「四美分買到通用智慧」，但它可能改變一件更實際的事：當模型便宜到能同時嘗試多條推理路徑，AI 代理工作流的成本結構也可能改變。
本文會先拆解分數與成本怎麼算，再說明 ARC-AGI-2 測到什麼、沒測到什麼，最後把焦點拉回真正有用的問題：便宜推理何時能轉化成更低的「每個可接受成果成本」。
DeepSeek V4 Flash 0731 的 ARC 成績到底是多少？
ARC Prize 的 Verified 結果頁給出的核心結論很直接：
At max effort, DeepSeek V4 Flash 0731 scores 89.0% on ARC-AGI-1 Semi-Private at $0.02 per task and 61.4% on ARC-AGI-2 Semi-Private at $0.04 per task.
中文：在 max effort 設定下，DeepSeek V4 Flash 0731 於 ARC-AGI-1 Semi-Private 得 89.0%，每題約 US$0.02；ARC-AGI-2 Semi-Private 得 61.4%，每題約 US$0.04。
ARC Prize
把成績頁背後的數據攤開，可以看到三種 effort 各有一個 verified run。估算成本按該 run 所有嘗試的 token 用量與當時零售價換算，再除以題數；它們不是一張固定價目表：
| ARC-AGI-1 | 分數 | 估算每題成本 |
|---|---|---|
| Low | 84.0% | US$0.0118 |
| High | 87.0% | US$0.0214 |
| Max | 89.0% | US$0.0205 |
| ARC-AGI-2 | 分數 | 估算每題成本 |
|---|---|---|
| Low | 46.0% | US$0.0206 |
| High | 56.0% | US$0.0453 |
| Max | 61.4% | US$0.0416 |
一個值得留意的細節是，High 的平均成本反而略高於 Max。這正好提醒我們：US$0.02／0.04 是某次 benchmark run 在當時零售價格下的觀測結果，不是模型商承諾的固定「每題費率」。
ARC-AGI-2 測到什麼，又沒測到什麼？
ARC-AGI 題目不是知識問答。模型會看到幾組彩色網格的輸入與輸出範例，再推斷同一條規則，替新的網格產生答案。ARC Prize 把 ARC-AGI-2 定位成比第一代更難、較抗暴力枚舉的抽象推理測試；Semi-Private 題集則用來降低直接對公開測試集調校的影響。
但 61.4% 是 benchmark score，不能直接翻譯成「解出 61.4% 的題目」。依照 ARC Prize 的評估政策，每個 test pair 可提交兩次答案，task 也可能拿到部分分數；最後再對整個題集平均。成本則把所有嘗試用掉的 token 按零售價格換算，除以題數。這次結果來自單次 verified run，沒有多次重跑後的變異範圍。
更重要的是，ARC-AGI-1／2 的分數只評量靜態的「網格進、網格出」答案，不能證明工具呼叫、程式執行、長流程記憶或 agent harness 的端到端品質。ARC Prize 另以 ARC-AGI-3 研究探索、目標設定、規劃執行與途中修正，而 DeepSeek V4 Flash 0731 的成績頁在 ARC-AGI-3 欄位是「—」：代表這裡沒有回報評估結果，不代表失敗。
因此，這張成績卡能支持的說法是「便宜的抽象網格推理很強」，不能直接推出「四美分就能完成一個 coding ticket」或「它已是最好的通用 agent」。如果想理解 benchmark 為何常常同時測到模型與外部系統，可以延伸看 Claude Opus 5 的模型與 harness 拆解。
0731 是新模型，還是一次重要更新？
官方模型卡把 DeepSeek V4 Flash 0731 描述為四月預覽版的 post-trained 正式更新，而不是宣告一套全新的 backbone。它仍是 Mixture-of-Experts 架構：總參數 284B、每個 token 啟用 13B，context window 為 1M token，權重以 MIT License 公開；官方也附上 DSpark speculative decoder，目標是改善推理吞吐。
名稱也容易造成誤會。0731 是 2026 年 7 月 31 日發布的版本標記；託管 API 仍使用 deepseek-v4-flash 這個 model ID。官方更新紀錄並明確寫出，當天變更的是 Flash API，App 與 Web 端沒有跟著切換。
模型卡也列出 coding、工具使用與 agent 類 benchmark，不過那些是 DeepSeek 公布的數字；其中 Code Agent 題目使用的 DeepSeek Harness minimal mode，當時標示稍後公開。它們可以當待驗證線索，證據強度不能與 ARC Prize 的獨立 verified run 混在一起。
為什麼「每題幾美分」比 61.4% 更值得注意？
很多 agent 工作流的核心不是一次答對，而是先平行產生多個候選方案，再用驗證器、測試或更強模型挑選。假設同一筆預算能從 2 次提高到 20 次 rollout（獨立嘗試），搜尋空間會完全不同；但前提是錯誤沒有高度相關，而且驗證器真的分得出好壞，否則只是在便宜地重複同一種錯誤。這也是 AI agent harness 和 agent 可觀測性愈來愈重要的原因：便宜模型讓嘗試數量上升，也讓失敗路徑、重試與驗證成本一起放大。
截至 2026 年 8 月 8 日，DeepSeek 官方價格頁列出的每百萬 token 價格為：cached input US$0.0028、uncached input US$0.14、output US$0.28。這確實非常低，但同一頁也預告價格將顯著上調。因此 ARC 的單題成本應被視為「這套題目 × 這次 token 用量 × 當時定價」的快照，不能永久外推。
這也說明為何比較模型時，只看 token 單價不夠。長思考、反覆呼叫工具或低接受率，都可能把便宜 token 變成昂貴成果。更實用的概念是「每個通過驗收的任務成本」，也就是把所有失敗嘗試、驗證、重跑與人工介入一起算進去。這和 單看模型價格與實際任務成本的差別是同一件事。
Hacker News 為何同時叫好又吐槽？
截至 8 月 8 日截稿，這則 Hacker News 討論已超過 520 點、累積逾 310 則留言。正面回報多集中在除錯、批次分析、第二意見與便宜 sub-agent；負面回報則談到工具呼叫變慢或不穩、陷入迴圈、不同供應商版本表現不一，以及為了得到答案消耗過多 token。
這些留言有價值，因為它們暴露 benchmark 不會告訴你的故障模式；但它們仍是不同 prompt、provider、量化版本與工作環境下的個人經驗，不能拿留言投票取代受控測試。最合理的讀法，是把它們轉成自己評估時要刻意攻擊的假設。
AlphaLab 的判讀：便宜的抽象推理，不是便宜的 AGI
我同意 ARC Prize 對性價比的興奮，但不同意把這張卡直接升格成 agent 或 coding 排名。值得相信的部分，是獨立 verified run 確認了 DeepSeek V4 Flash 0731 在 ARC-AGI-1／2 這個明確任務域裡，以極低零售 token 成本取得強勁分數。同頁公開的 ARC-AGI-2 task table 在 Max 設定下是 72／120，約 60.0%，與 Semi-Private 的 61.4% 接近；這只能當同一任務域的 sanity check（合理性檢查），不是獨立複驗，更不能證明它已泛化到 coding 或 agent。
仍要保留的部分，是可重現性與跨任務外推。截至 2026 年 8 月 8 日，ARC 公開 benchmark repository 的 models.yml尚未列出 0731 的完整執行設定，成績頁也沒有附上這次 run 的 raw output artifacts；因此我們看得到被驗證的結果，卻還不能從公開資料完整重建 endpoint、temperature、token limit 與 effort 設定。這是值得後續補齊的稽核缺口，不是推翻分數的證據。
真正可能改變市場的，是低價、開放權重與多次 rollout 三者的乘法效果。當「先廣泛嘗試，再嚴格驗證」變得便宜，小模型不必在每個維度都擊敗昂貴模型，也可能成為工作流裡最常被呼叫的那一層。不過，長 context 與高吞吐背後仍有記憶體和基礎設施成本；自架也不等於免費，這部分可參考 AI 推理的 HBM 與記憶體瓶頸。
把成績卡變成可用決策：測「每個可接受成果成本」
如果你正在評估是否把 DeepSeek V4 Flash 0731 放進產品，不要複製 ARC 的 US$0.04 當預算。更可靠的方法，是拿自己的私有任務做一個小型、可重複的 bake-off（對照測試）：
- 固定外部系統。使用相同 prompt、工具、timeout、context、重試規則與驗收測試，只替換模型。
- 重跑並記錄故障。用多個 seed（隨機種子）或多次執行，分開計算答錯、工具失敗、迴圈、逾時與需要人工接手的比例。
- 算完整單位經濟。把輸入、輸出、cache、驗證器、fallback（備援）模型、wall-clock（實際耗時）與人工介入全部併入，最後除以通過驗收的任務數。
一個務實的起點，是讓便宜模型負責大量候選生成、分類與初步除錯，把昂貴模型留給高歧義判斷、最終批判或 fallback。前提不是它在榜單上贏，而是它在你的資料、工具與驗收標準下，真的降低了每個合格結果的成本。
📚 延伸閱讀
- AI Agent Harness 是什麼？從模型到可運作系統
- Agent 可觀測性：看懂失敗、重試與成本
- Claude Opus 5：benchmark 為何也是 harness 的成績
- GLM-5.2：token 價格與任務成本怎麼分
- AI 推理為何卡在 HBM 與記憶體
DeepSeek V4 Flash 0731 最值得帶走的訊號，不是「AGI 只值四美分」，而是至少在 ARC 這類抽象推理上，低成本方案已值得進入私有任務評估。真正要比較的，也不再只是「哪個模型單次最強」，而是哪套系統能用更低總成本，穩定產出更多可驗收成果。
