DeepSeek V4 Flash 正式版接入 Codex 全解析：从跑分到实测的完整上手笔记

本文由 辛梓煜@词元2号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

2026 年 7 月 31 日，DeepSeek 悄悄上线了 V4 Flash 正式版（模型标识 deepseek-v4-flash-0731），只做 API 公测、没有发布会。这次升级最值得关注的三件事：第一，模型架构、参数规模和预览版完全一致，纯粹靠重新后训练就把 Agent 能力拉到远超 V4-Pro 预览版的水准；第二，官方明确表示针对 Codex 做了适配，并且原生支持 Responses API 格式，接入成本几乎为零；第三，价格依旧是白菜价——输入 1 元/百万 token、输出 2 元/百万 token，配合约 98% 的缓存命中折扣，单任务成本比 GPT-5.6 Luna 低约 60%。在 Arena 的前端代码榜单 Frontend Code Arena 上，它拿到 1586 分，总排名全球第 7、开放模型第 3，仅次于智谱 GLM-5.2，直接把闭源的 Claude Opus 4.8 甩在了身后。如果你想在 Codex 里用上一个便宜、稳定、编码能力接近旗舰的模型，这篇笔记把原理、跑分、配置方式、实测体验和避坑清单一次讲完。

想看完整拆解，往下翻。

在动手写这篇之前，我先交代一下背景：这篇文章是基于我自己的学习实践整理出来的，素材来自多方资料和我的实际操作记录，不是官方通稿，也不替任何厂商站台。下面所有跑分数据、配置步骤、实测感受，我都尽量给出出处和可复现的方法，方便你自己动手验证。老规矩，文中的信息以 2026 年 8 月的最新公开资料为准，如果后续官方有更新，以官方文档为准。

第一章：DeepSeek V4 家族：Flash 正式版的前世今生

先把这个模型的"家谱"捋清楚，不然很多朋友会搞混版本号。

1.1 从预览版到正式版：一次"悄悄"的公测

DeepSeek 的第四代旗舰模型 V4 是 2026 年 4 月 24 日以预览版形式亮相的，当时一口气放出了两个版本：主打全能的 V4-Pro 和主打轻快的 V4-Flash。预览版阶段，Flash 的口碑其实一般，很多开发者试完觉得它就是个"便宜但不够聪明"的轻量款，Agent 任务里经常掉链子，工具调用一多就开始犯迷糊。

转折发生在 2026 年 7 月 31 日下午。DeepSeek 没有开发布会，只在 API 文档的更新日志里贴了一行字：DeepSeek-V4-Flash 正式版 API 上线公测。随后 IT 之家等科技媒体跟进报道，消息才在开发者圈子里炸开。

这次升级有几个关键信息值得单独划重点：

• 正式版模型标识为 deepseek-v4-flash-0731，结构、尺寸和预览版完全一致，只是重新做了后训练；
• 官方原话是"Agent 能力大幅增强，基准测试远超 V4-Pro-Preview"；
• 正式版原生支持 Responses API 格式，并针对性适配了 Codex；
• 本次只升级了 Flash 的 API 接口，V4-Pro 的 API 和 App/Web 端模型都没动，官方预告 V4-Pro 正式版"将尽快发布"。

你没看错，这次 Flash 是"单兵突进"——旗舰 Pro 还没转正，小弟 Flash 先拿着正式版身份证上街了。而且按官方日志的说法，V4-Pro 正式版在 8 月初也会接入 Responses API，到时候这套配置方法可以原样复用。

1.2 看懂 V4 的架构：MoE 是什么

聊参数之前，先给新手补一个基础概念：MoE（Mixture of Experts，混合专家模型）。你可以把它想象成一家公司：平时上班的不是所有员工，而是根据任务类型临时抽调一小批"专家"来干活。模型把"总参数"看作员工总数，"激活参数"看作每次实际干活的人数。

DeepSeek V4 两个版本的具体数字差别很大，我整理成了表格，方便对比：

注意 Flash 的激活参数只有 13B——这个数字放在两年前会被当成"小模型"嘲笑，但正式版用实际成绩证明了一件事：模型大不大不重要，练得好不好才重要。后训练做得到位，13B 激活参数的模型照样能把自家旗舰的预览版按在地上摩擦。

1.3 旧端点停用：一次必须注意的迁移

还有一个容易被忽略的细节：DeepSeek 原有的 API 端点 deepseek-chat 和 deepseek-reasoner 已经在 2026 年 7 月 24 日正式停用，分别转接到了 V4-Flash 的非思考模式与思考模式。也就是说，如果你手上还挂着老代码、老配置，很可能已经悄悄开始走 V4-Flash 了——这未必是坏事，但如果你没意识到这点，出问题时会一脸懵。建议所有开发者都去后台确认一下自己当前实际调用的模型标识，别稀里糊涂用着旧名字。

这一章把背景交代完了。其实 DeepSeek 这次的迭代节奏也值得玩味：4 月发布预览版、7 月底转正 Flash、预告 Pro 马上跟进——半年一个周期的步伐非常紧凑，而且每次都把"最便宜的那个版本"先推到台前。这背后的策略逻辑不难猜：先用性价比版本把开发者生态喂饱，再用旗舰版本把能力天花板立起来。对用户来说，这反而是好事——永远有便宜好用的版本可以先用起来，不用干等。

第二章：官方成绩单：九项 Agent 基准全面反超 Pro 预览版

跑分这东西，平时看看图个乐，但这次不一样——官方明明白白写着"基准测试远超 V4-Pro-Preview"，而且 Flash 是在参数不变的情况下反超的自家旗舰，这在行业里相当罕见。我把官方公布的九项 Agent 基准数据整理成了表格，后面再逐个解释这些英文缩写到底在测什么。

2.1 九项基准成绩一览

先给新手翻译几个关键术语：Agent（智能体） 就是"能自己动手干活"的 AI——不只是回答你的问题，而是可以调用工具、读写文件、执行命令、修改代码，把一件事从头做到尾；基准测试（Benchmark） 就是一套标准化的考题，用来横向比较不同模型的水平。

这九项里面，我最看重的是 DeepSWE——它模拟的是真实世界的软件工程场景：给你一个 GitHub 仓库里的真实 issue，让你自己定位 bug、写修复、跑测试。预览版只有 7.3 分，正式版一口气干到 54.4 分，翻了七倍多。这说明正式版不是"微调了一下"，而是真的把"读懂项目、动手改代码"这条链路练通了。

为了让新手对"考什么"有更直观的感受，我把其中几项基准的考试场景展开说说：

• Terminal Bench 2.1（82.7 分）：给模型一个终端环境，让它自己敲命令完成操作任务——装依赖、查日志、改配置、起服务。这项分数高，意味着模型在真实命令行环境里"动手能力"强，而不是只会纸上谈兵。这也是 Agent 类产品最核心的能力之一。
• NL2Repo（54.2 分）：只给你一句自然语言描述（比如"写一个带登录功能的博客系统"），让模型从零生成一个完整仓库。考的是"从需求到项目落地"的整体规划能力，比单纯补全代码难得多。
• Cybergym（76.7 分）：网络安全方向的智能体考场，涉及漏洞分析、脚本编写、攻防演练类任务。这个方向能拿高分，侧面说明模型的代码理解和推理深度不差。
• Agent Last Exam（25.2 分）：可以理解为"智能体版的奥赛题"，题目刁钻、场景综合，25.2 分在开源模型里已经是相当能打的水平——这个分数看着低，是因为考试本身就难。
• Automation Bench (Public)（25.1 分）：考"端到端自动化"——让模型自己规划并完成一个完整业务流程，中间涉及多步工具调用和异常处理，最考验 Agent 的"办事靠谱程度"。

看完全部九项，你会发现一个共性：这些考试几乎没有一道是"背答案"能过的，全部要求模型在真实或接近真实的环境里动手干完一件事。 这也是为什么这次 Flash 正式版的口碑和预览版完全不同——预览版可能只是"读得懂题"，正式版是真的"干得动活"。

另外，我把这次升级里几个关键的"前后对比"数字单独列出来，方便你感受进步幅度（数据均来自官方与第三方公开评测）：

这张表最扎眼的一行是最后一行：Flash 正式版的 AII 分数，比自家旗舰 Pro 的预览版还高 6 分。 在 DeepSeek 的历史上，这是第一次出现"轻量版在预览期压过旗舰版"的场面。当然，这里面有 Pro 还没做完后训练的客观原因，但至少说明 DeepSeek 这轮后训练的投入是真的猛。

2.2 为什么参数没变，能力却暴涨？

这里涉及大模型训练的一个核心概念：后训练（Post-training）。大模型的训练可以粗分成两段：

1. 预训练：在海量文本上"读万卷书"，学语言规律和世界知识，决定模型的"底子"；
2. 后训练：用指令数据、强化学习等方式"定向训练"，决定模型"会不会干活、听不听得懂人话"。

打个比方：预训练决定一个人是不是聪明，后训练决定他能不能在具体岗位上把活干利索。V4-Flash 正式版做的就是后者——底子没换，但把"当 Agent 干活"这项技能狠狠练了一轮。

另外还有个值得注意的信号：官方这次评测 Coding Agent 任务时，用了自研的 DeepSeek Harness 评测框架（据传即将开源）。Harness 就是"给模型考试时用的监考系统"。DeepSeek 的思路是"训推一致"——平时怎么练的，考试就怎么考，线上就怎么跑，这样适配出来的 Agent 行为更稳定。这套自研评测框架的开源，对国内 Agent 生态会是件好事，大家以后跑分也有统一尺子了。

2.3 怎么理解"远超 Pro 预览版"

我用一张简单的图来展示这次能力跃迁的逻辑：

flowchart LR
    A[V4-Flash 预览版] -->|重新后训练| B[V4-Flash 正式版 0731]
    B -->|Agent 能力大幅增强| C[九项基准全面反超]
    B -->|原生支持| D[Responses API]
    B -->|针对性适配| E[Codex]
    C --> F[结论：轻量模型也能打旗舰]

这里要澄清一个容易误读的点："反超 Pro 预览版"不等于"Flash 比 Pro 强"。Pro 定位是旗舰，参数规模大得多，它只是还没转正、后训练还没做完而已。等 V4-Pro 正式版出来，大概率又是一轮新的碾压。所以更准确的说法是：Flash 正式版证明了一件事——后训练的水平，正在成为模型能力分水岭的关键变量。

这里也要多说一句怎么看跑分：跑分永远只能反映测试环境下的表现，真实的项目千奇百怪，最终还是要以你自己的实际体验为准。我见过太多模型跑分漂亮、上手拉胯的例子，也见过跑分一般但实际用着很顺手的模型。所以榜单数据你当成参考坐标系就行，最终的结论，得靠自己在项目里跑几轮才能下。

第三章：Arena 前端代码第 7、开放模型第 3：一份被低估的跑分

3.1 Frontend Code Arena 是什么，为什么有含金量

先介绍这个榜单的来历。Arena.ai 的前身是业内知名的 LMSYS Chatbot Arena 团队——就是那个搞"大模型对战"的平台。它用类似国际象棋的 Elo 积分系统，让两个模型匿名对战，由真实的人类开发者进行双盲投票（投票者不知道哪个模型是谁），赢者加分、输者减分，最终排出名次。因为打分的是人而不是考试题，这个榜单反映的是"真实人类用着爽不爽"，而不是"模型会不会背答案"。

Frontend Code Arena（前端代码竞技场） 是 Arena.ai 的专项榜单，专门考验模型把网页/前端项目做出来的能力：给一句需求描述，让模型自己写 HTML、CSS、JavaScript，生成能跑的网页。业内普遍把它看作评估大模型"网页开发 + Agent 级自动化编码"能力的黄金标准——因为前端任务最考验模型对真实产品需求的理解，而不是纯文本生成。

3.2 1586 分：一个刷新纪录的成绩

这次 DeepSeek-V4-Flash 正式版在 Frontend Code Arena 拿到的成绩是：

• 总排名第 7，开放模型（开源）排名第 3，仅次于智谱 GLM-5.2；
• 总分 1586 分，比 Flash-High-Preview 提升 154 分，比 V4-Pro-Preview 提升 121 分；
• 在细分领域里：消费产品开发第 4，基于参考的设计、数据与分析、游戏开发第 6，品牌与营销第 7；
• 直接超越闭源的 Claude Opus 4.8，而 Opus 4.8 每百万 token 要 25 美元，Flash 只要约 0.28 美元，价格差了近 99 个点。

我把关键排名整理成一张表：

顺便说一句，Arena.ai 官方还给了个评价：V4-Flash 正式版刷新了 Frontend Code Arena 的性能与成本综合表现（Pareto Frontier）——翻译成大白话就是：在"又要跑得快、又要花得少"这件事上，它目前是榜单上最划算的选择之一。

3.3 Artificial Analysis 的 AII 智能指数：只差 GPT-5.6 Luna 1 分

除了 Arena，另一个独立评测机构 Artificial Analysis 也更新了数据。它的核心指标叫 AII（Artificial Analysis Intelligence Index，人工智能分析智能指数），通过多维任务综合衡量模型"绝对智能水平"。

• V4-Flash-0731 拿到 50 分，比 4 月刚发布时高出 10 分，比自家 V4-Pro 预览版还高 6 分；
• 在全球大模型中排名第 15，与谷歌 Gemini 3.6 Flash 同分；
• 距离闭源旗舰 GPT-5.6 Luna 的 51 分只差 1 分；
• 由于 DeepSeek 第一方 API 提供约 98% 的缓存命中折扣，它的单任务成本比 GPT-5.6 Luna 低了约 60%。

一个激活参数只有 13B 的开源轻量模型，综合智能