- 核心观点:DeepSeek-V4-Flash 通过后训练优化实现 Agent 能力跃迁,在执行类任务上表现突出,同时构建超高性价比定价体系,并全栈生态布局加速 Agent 产业规模化落地。
- 关键数据:
- Terminal Bench 2.1 得分从预览版的 61.8 跃升至 82.7,Toolathlon Verified 达 70.3 分。
- 单账号并发上限达 2500,为 V4-Pro 的五倍。
- 缓存定价策略:未命中输入 1 元/百万 tokens,命中缓存输入低至 0.02 元/百万 tokens,输出 2 元/百万 tokens。
- 研究结论:
- 后训练优化在执行类任务上的杠杆效应远超参数堆叠,Think Max 档位在深度任务上接近旗舰模型水平。
- 缓存定价策略和多轮交互的边际调用成本大幅下降,推进企业级智能体部署的经济可行性。
- 模型原生支持 OpenAI Responses API 格式,适配 Codex 客户端,降低开发者切换成本。
- DeepSeek Harness 框架首次亮相,承载 Agent 运行时与持续学习能力,推动 Agent 应用从原型验证阶段走向规模化商用落地。
- 受益标的:国产算力(寒武纪、海光信息等)、算力租赁(行云科技、宏景科技等)。
- 风险提示:AI 模型竞争风险、AI 应用竞争风险、AI 模型发展不及预期风险等。