Бенчмарки DeepSeek V4 Pro: полная таблица результатов 0813, все независимые проверки и то, что ещё никто не проверил

Краткий ответ: DeepSeek V4 Pro демонстрирует действительно сильные агентные показатели по собственным данным Deep​Seek — Terminal-Bench 2.1: 87.9, DeepSWE: 62.7, CyberGym: 83.3 — но почти все ключевые цифры сообщены самим вендором, и независимая картина выглядит скромнее. Artificial Analysis ставит официальную сборку 0813 на 53 балла в своём индексе интеллекта, вровень с GLM 5.2, на четыре балла позади GPT-5.6 Terra и на семь — позади Kimi K3; Vals AI ранжирует её на 12-е место, ниже предыдущего поколения GPT-5.5. Эта статья — полная сводка, которую никто ещё не составлял: полная карточка сборки 0813, расширенный набор задач по кодингу из технического отчёта, все существующие независимые проверки и честный перечень того, какие цифры воспроизведены, а какие остаются лишь словом Deep​Seek. Через неделю после выхода карточки начала проясняться и картина с обслуживанием: 19 августа 2026 года LMSYS и Ant Group опубликовали стек обслуживания H20, достигающий 271 выходного токена в секунду при размере батча 1. Ему посвящён отдельный раздел ниже, и он, как и всё со стороны вендора на этой странице, помечен как самозаявленный, пока кто-нибудь его не воспроизведёт.

Официальная таблица результатов 0813 — собственные цифры Deep​Seek, все до одной.

Deep​Seek's official announcement (API docs, news260813, August 13, 2026) reports the production build against the April preview. Every figure in this section is vendor-reported — none has been independently reproduced as of August 16, 2026:

• Terminal-Bench 2.1 — 87.9 (превью: 72.1).

• DeepSWE — 62.7 (превью: 12.8) — примерно пятикратный скачок, который является самым поразительным утверждением на карточке.

• CyberGym — 83.3 (превью: 52.7).

• Humanity's Last Exam — 42.7 без инструментов, 60.0 с инструментами (предварительно: 37.7 / 48.2).

• Toolathlon-Verified — 74.1 (превью: 55.9).

• AutomationBench (публичный) — 31.8 (предпросмотр: 12.8).

• DSBench-FullStack — 71.1; DSBench-Hard — 67.2 (превью: 41.8 / 31.1).

• NL2Repo — 61.5 (предпросмотр: 38.5).

• Последний экзамен агентов — 25.7 (превью: 16.5).

Закономерность, на которую стоит обратить внимание, — в том, где сосредоточены улучшения: в бенчмарках для агентных систем и кибербезопасности. Это ровно та сводка результатов, которую лаборатория публикует, когда хочет разрекламировать агентную модель, — и ровно та, которая требует нейтрального повторного прогона, прежде чем вы потратите на неё производственные деньги.

Расширенный набор кодировок из технического отчёта DeepSeek

Помимо агентной карточки, технический отчёт Deep​Seek (в агрегации BenchLM от 16 августа 2026 года) добавляет более широкий набор по программированию и длинному контексту. Также предоставлено вендором и помечено BenchLM как «Provider exact» — без независимого тестирования:

• SWE-bench Verified — 80.6%; SWE-bench Pro — 55.4%.

• LiveCodeBench Pass@1-CoT — 93.5% — лучший проверенный в каталоге BenchLM.

• Рейтинг Codeforces — 3206 — также лучший из подтверждённых в каталоге.

• BrowseComp — 83,4%; Terminal-Bench 2.0 — 67,9%.

• MRCR 1M — 83.5%; CorpusQA 1M — 62.0% — оба показателя — лучшие в каталоге по поиску на 1M токенов, что важно для модели, заявляющей контекстное окно в 1M токенов.

• GPQA Diamond — 92.8, SciCode — 49.2, Long-Context Recall — 75.3 (указаны на странице модели OrcaRouter).

Что на самом деле измеряют независимые оценщики

Три независимых источника прогнали DeepSeek V4 Pro, и их вердикты группируются ниже карточки производителя:

• Artificial Analysis Intelligence Index — 53 (по данным SCMP, август 2026 года; на странице модели OrcaRouter указано 53.2 — 20-е место из 132). На уровне GLM 5.2, на четыре балла ниже GPT-5.6 Terra, на семь — Kimi K3.

• Artificial Analysis Coding — 68.8, занимает 24-е место из 130 (по данным страницы модели OrcaRouter).

• Vals AI Index — 12-е место, отставая от GPT-5.5 предыдущего поколения и значительно уступая Kimi K3 и Claude Opus 5 (SCMP). Собственное тестирование Vals AI выявило два конкретных слабых места: выполнение задач в изолированной среде терминала и создание сложных финансовых моделей в таблицах Excel.

• Vibe Code Bench v1.1 — 49.93 (Vals AI, единственный независимый запуск «Benchmark exact» в наборе).

Честный реестр — что воспроизведено, а что всё ещё просто слова Deep​Seek.

Это раздел, ради которого существует статья о бенчмарках, и причина добавить эту страницу в закладки, а не репортаж о запуске. Распределите каждый результат по одной из двух категорий:

• Из независимых источников: AA Intelligence Index 53 / 53.2, AA Coding 68.8, Vals AI — 12-е место, Vibe Code Bench 49.93 — и отдельно полученный прогон Terminal-Bench 2.1 с результатом 78.7, который находится рядом с 87.9 от Deep​Seek на странице модели OrcaRouter. Этот разрыв в девять пунктов между числом производителя и независимым прогоном — самый важный показатель на этой странице: это количественно выраженный разрыв воспроизводимости.

• Только по данным вендора, не воспроизведено независимо:все показатели в официальной карточке 0813, приведённой выше (Terminal-Bench 2.1 87.9, DeepSWE 62.7, CyberGym 83.3, HLE 42.7/60.0, Toolathlon 74.1, AutomationBench 31.8, DSBench 71.1/67.2, NL2Repo 61.5, Agents' Last Exam 25.7), и весь расширенный набор задач по кодингу (SWE-bench Verified 80.6, LiveCodeBench 93.5, Codeforces 3206, BrowseComp 83.4, MRCR 83.5, CorpusQA 62.0, GPQA Diamond 92.8). Собственная документация Deep​Seek называет показатель Terminal-Bench 2.1 «прогоном провайдера».

При таком прочтении история выглядит связной: DeepSeek V4 Pro — реальная модель среднего уровня среди передовых — AA 53, занимающая места с тринадцатого по двадцатое, — с вендорской картой показателей, которая заявляет о почти максимальной производительности в агентных задачах и написании кода. Оба утверждения верны и не противоречат друг другу: одно измерено, другое заявлено.

Сколько стоит скоркард

DeepSeek V4 Pro — это флагманская MoE-модель с общим объёмом 1,6 трлн параметров, из которых 49 млрд активны, окном контекста в 1 млн токенов и максимальной выдачей в 384 тыс. токенов. На OrcaRouter она предлагается по прейскурантной цене Deep​Seek без наценки: $0,435 за миллион входных токенов и $0,87 за миллион выходных (чтение из кэша — $0,060 за миллион); цифры взяты из каталога, проверенного 15 августа 2026 года, и подтверждены на актуальной странице модели. При такой цене расчёт цены за балл — самый сильный аргумент в пользу модели: она стоит примерно десятую часть от цены выходных токенов моделей, набравших близкие баллы в независимом индексе, так что вы платите по ценам среднего уровня за результат, который, если верить заявлениям вендора, близок к топовым. Один нюанс: Deep​Seek анонсировал пиковый и внепиковый тарифы (вне пика — 50% от пикового), вступающие в силу 17 августа по пекинскому времени, так что цена может измениться — приведённые цифры соответствуют актуальной прейскурантной цене на момент написания статьи.

Обслуживание DeepSeek V4 Pro: 271 выходных токенов/с на H20

Бенчмарки оценивают, что знает модель; показатели обслуживания оценивают, насколько дёшево можно заставить её думать. 19 августа 2026 года LMSYS — организация, стоящая за Chatbot Arena — и команда открытого кода Ant Group опубликовали первую серьёзную работу по обслуживанию сборки 0813: «стек обслуживания для конкретных сценариев», построенный на SGLang, движке с открытым исходным кодом, который поддерживает LMSYS. Ключевой показатель — 271 выходной токен/с при размере пакета 1 на NVIDIA H20, что команда оценивает как 1.42× от B300 — достигнуто на чипе, у которого нет нативных FP4 Tensor Cores. Это собственные измерения LMSYS и Ant Group, объявленные в их блоге и в X; ни одно из них не было независимо воспроизведено.

Остальные цифры стека, все из которых были самостоятельно сообщены LMSYS и Ant Group по своему собственному стеку:

• Задержка декодированиякомпонент «оптимизированный DSpark» сокращает время на один выходной токен (TPOT) на 74.8–78.0% при размере пакета 1.

• Prefill — префилл на 1 миллион токенов завершается за 43,7 секунды; среднегеометрический прирост пропускной способности префилла — 36,5%.

• KV-кэш — схема, которую команда называет «Humming MXFP4AFP8 + Online C128», расширяет ёмкость полного токенового KV-кэша в 10,14 раза — рычаг, обеспечивающий практичность агентных рабочих нагрузок с 1 млн токенов на этом классе чипов.

• Декодирование на GPU — при контексте 4K пропускная способность декодирования на GPU возрастает с 319,9 до 703,2 токенов/с/GPU, что даёт улучшение в 2,20 раза.

Прежде чем планировать размер парка на его основе, прочитайте оговорки. Размер батча 1 — это однопоточный режим (то, с чем сталкивается интерактивный агент или чат, а не высококонкурентный API), а коэффициент 1,42× относительно B300 LMSYS приводит, не публикуя абсолютных токенов/с для B300, так что разрыв заявлен, но не поддаётся проверке. Результат также измеряет стек, а не чип: эти выигрыши достигаются за счёт оптимизации на уровне SGLang на оборудовании, которое в противном случае выглядело бы недостаточно мощным для MoE с суммарным объёмом 1,6 трлн параметров. Для контекста: живая страница моделей OrcaRouter фиксирует DeepSeek V4 Pro через общий API-эндпоинт на уровне 80,8 выходных токенов/с; показатель H20 — это результат однопоточного бенчмарка на выделенном стеке, другое число с другим смыслом.

Если ваша рабочая нагрузка обслуживается через API, это никак не меняет способ вызова модели: DeepSeek V4 Pro — это один ключ, совместимый с OpenAI, на OrcaRouter по цене из прайс-листа DeepSeek, с автоматическим переключением, если провайдер зависнет. Показатели H20 наиболее важны, если вы команда, которая взвешивает собственный парк H20 против оплаты API, — разрыв, который закрывает работа LMSYS и Ant Group, — это решение о закупке оборудования, а не о выборе модели.

Когда эта рекомендация неверна

Честные случаи, когда DeepSeek V4 Pro не стоит выбирать:

• Вам нужно независимо подтверждённое передовое рассуждение.AA Index 53 находится в середине таблицы — Kimi K3 (60) и GPT-5.6 Terra (57) впереди и подтверждены. Если ваше решение зависит от измеренного потолка, карточка вендора этого не меняет.

• Вы ставите продакшн на DeepSWE 62.7 до того, как кто-то перезапустит его. Скачок с 12.8 до 62.7 за один релиз — это утверждение, а не факт. Дождитесь нейтрального воспроизведения — разрыв 87.9 против 78.7 в Terminal-Bench показывает, что можно обнаружить.

• Ваша рабочая нагрузка — это автоматизация терминала в песочнице или финансовое моделирование в Excel. Vals AI говорит, что именно здесь модель испытывает трудности, независимо от оценки вендора.

• Вы принимаете решение по кибербезопасности на основе CyberGym 83.3. Это Deep​Seek тестирует собственную модель на собственном бенчмарке — вендор безопасности, покупающийся на эту цифру, покупает непроверенные данные.

• Вы покупаете H20s, ориентируясь исключительно на показатель 271 токен/с. Эта цифра — одностековый, самостоятельно заявленный бенчмарк при размере батча 1 — многообещающая, но невоспроизведённая, и лишь одна точка на кривой стоимости, которая также учитывает утилизацию, энергопотребление и тот стек обслуживания, который вы реально будете запускать.

Итог

DeepSeek V4 Pro 0813 — это настоящая фронтирная модель с вендорской картой показателей, которая опережает независимые результаты этой модели. Релиз 0813 превратил текстовое превью в серьёзного агентного конкурента — мы уже отдельно рассказывали о самом релизе, — и если вы хотите оценить его сегодня, это один OpenAI-совместимый ключ на OrcaRouter по цене из прайс-листа Deep​Seek, с автоматическим переключением, если провайдер застопорится. Просто читайте карту показателей так, как эта статья её разделяет: независимые проверки (AA 53, Vals 12th, прогон Terminal-Bench на 78.7) — это то, чему можно доверять сегодня; значения 87.9 и 62.7 — то, что стоит проверить, прежде чем строить на них. Та же дисциплина теперь распространяется и на обслуживание: 271 выходной токен/с на H20 от LMSYS и Ant Group — это лучшая картина пропускной способности, которая у нас есть, и это всё ещё их слово, пока нейтральный прогон не подтвердит её. Покупайте его за соотношение цены и производительности и контекст на 1M токенов, а не за невоспроизведённые громкие цифры.