การวัดประสิทธิภาพ DeepSeek V4 Pro: กระดานคะแนน 0813 ฉบับเต็ม การตรวจสอบอิสระทุกครั้ง และสิ่งที่ยังไม่มีใครยืนยัน

คำตอบสั้นๆ ในบรรทัดเดียว: DeepSeek V4 Pro รายงานผลคะแนนเชิงเอเจนต์ที่แข็งแกร่งอย่างแท้จริงจากตัวเลขของ Deep​Seek เอง — Terminal-Bench 2.1 ได้ 87.9, DeepSWE ได้ 62.7, CyberGym ได้ 83.3 — แต่ตัวเลขหลักเกือบทุกตัวเป็นข้อมูลที่ผู้ผลิตแจ้งมา และภาพจากฝั่งอิสระกลับเย็นกว่า Artificial Analysis ระบุบิลด์ 0813 อย่างเป็นทางการไว้ที่ 53 บน Intelligence Index ซึ่งเท่ากับ GLM 5.2 ตามหลัง GPT-5.6 Terra อยู่ 4 แต้ม และตามหลัง Kimi K3 อยู่ 7 แต้ม ส่วน Vals AI จัดอันดับให้อยู่ที่ 12 ซึ่งต่ำกว่า GPT-5.5 รุ่นก่อนหน้า บทความนี้คือการรวบรวมข้อมูลอย่างสมบูรณ์ที่ไม่มีใครเขียนมาก่อน: ตารางคะแนน 0813 ฉบับสมบูรณ์ ชุดทดสอบการเขียนโค้ดเพิ่มเติมจากรายงานทางเทคนิค การตรวจสอบอิสระทุกชิ้นที่มีอยู่ และบัญชีที่ตรงไปตรงมาว่าตัวเลขใดบ้างที่ได้รับการยืนยันด้วยการทำซ้ำ และตัวเลขใดที่ยังเป็นเพียงคำกล่าวของ Deep​Seek ฝ่ายเดียว หนึ่งสัปดาห์หลังการเปิดตัวการ์ด ภาพด้านการให้บริการก็เริ่มชัดเจนขึ้นเช่นกัน — เมื่อวันที่ 19 สิงหาคม 2026 LMSYS และ Ant Group เผยแพร่ H20 serving stack ที่ให้ความเร็ว 271 โทเคนเอาต์พุตต่อวินาทีที่ batch size 1 ซึ่งกล่าวถึงในส่วนของตัวเองด้านล่าง และถูกจัดเก็บไว้ในฐานะข้อมูลที่รายงานด้วยตนเอง เช่นเดียวกับทุกอย่างในฝั่งผู้ผลิตของหน้านี้ จนกว่าจะมีใครทำซ้ำผลได้

สกอร์การ์ดอย่างเป็นทางการ 0813 — ตัวเลขทั้งหมดของ Deep​Seek เอง

ประกาศอย่างเป็นทางการของ Deep​Seek (เอกสาร API, news260813, 13 สิงหาคม 2026) รายงานบิลด์สำหรับการผลิตจริงเทียบกับพรีวิวเดือนเมษายน ตัวเลขทุกตัวในส่วนนี้เป็นข้อมูลที่ผู้จำหน่ายรายงาน — ยังไม่มีใครตรวจสอบซ้ำอย่างอิสระ ณ วันที่ 16 สิงหาคม 2026:

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

• DeepSWE — 62.7 (พรีวิว: 12.8) — เพิ่มขึ้นประมาณ 5 เท่า ซึ่งเป็นตัวเลขที่โดดเด่นที่สุดบนการ์ด

• CyberGym — 83.3 (พรีวิว: 52.7).

• Humanity's Last Exam — 42.7 โดยไม่ใช้เครื่องมือ, 60.0 โดยใช้เครื่องมือ (ตัวอย่าง: 37.7 / 48.2).

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

• AutomationBench (สาธารณะ) — 31.8 (ตัวอย่าง: 12.8).

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

• NL2Repo — 61.5 (พรีวิว: 38.5).

• Agents' Last Exam — 25.7 (ตัวอย่าง: 16.5).

รูปแบบที่ควรสังเกตคือจุดที่ผลการปรับปรุงกระจุกตัว: เกณฑ์มาตรฐานด้าน agentic และความมั่นคงปลอดภัยทางไซเบอร์ นั่นคือประเภทของผลการประเมินที่ห้องปฏิบัติการผลิตขึ้นเมื่อต้องการโฆษณาโมเดลเอเจนต์ — และเป็นประเภทที่จำเป็นต้องมีการรันซ้ำอย่างเป็นกลางก่อนที่คุณจะใช้เงินในการผลิตไปกับมัน

ชุดโค้ดแบบขยายจากรายงานทางเทคนิคของ DeepSeek

นอกเหนือจากการ์ดแอเจนติกแล้ว รายงานทางเทคนิคของ Deep​Seek (ซึ่งรวบรวมโดย BenchLM เมื่อวันที่ 16 สิงหาคม 2026) ยังเพิ่มชุดการเขียนโค้ดและบริบทระยะยาวที่กว้างขึ้นอีกด้วย นอกจากนี้ยังเป็นข้อมูลที่รายงานโดยผู้ให้บริการ และถูกติดป้ายว่า "ผู้ให้บริการระบุชัดเจน" โดย BenchLM — ไม่มีการทดสอบอิสระ:

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

• LiveCodeBench Pass@1-CoT — 93.5% ซึ่งเป็นค่าที่ดีที่สุดที่ได้รับการยืนยันในแคตตาล็อกของ BenchLM

• เรตติ้ง Codeforces — 3206 — ซึ่งเป็นอันดับที่ดีที่สุดที่ได้รับการยืนยันในแคตตาล็อก

• BrowseComp — 83.4%; Terminal-Bench 2.0 — 67.9%.

• MRCR 1M — 83.5%; CorpusQA 1M — 62.0% — ทั้งคู่เป็นสถิติที่ดีที่สุดในแคตตาล็อกสำหรับการดึงข้อมูลด้วย 1M โทเคน ซึ่งสำคัญสำหรับโมเดลที่โฆษณาหน้าต่างบริบทขนาด 1M โทเคน

• GPQA Diamond — 92.8, SciCode — 49.2 และ Long-Context Recall — 75.3 (ตามที่แสดงอยู่ในหน้าโมเดลของ OrcaRouter)

สิ่งที่ผู้ประเมินอิสระวัดจริง

แหล่งข้อมูลอิสระสามแหล่งได้ทดสอบ DeepSeek V4 Pro และข้อสรุปของพวกเขากลุ่มอยู่ใต้การ์ดของผู้จำหน่าย:

• Artificial Analysis Intelligence Index — 53 (รายงานของ SCMP สิงหาคม 2026; หน้าโมเดลของ OrcaRouter แสดงค่า 53.2 จัดอันดับที่ 20 จาก 132) เทียบเท่ากับ GLM 5.2 ตามหลัง GPT-5.6 Terra 4 คะแนน และตามหลัง Kimi K3 7 คะแนน

• Artificial Analysis Coding — 68.8 อยู่ในอันดับที่ 24 จาก 130 (อ้างอิงจากหน้าข้อมูลโมเดลของ OrcaRouter)

• Vals AI Index — อันดับที่ 12 ตามหลัง GPT-5.5 รุ่นก่อนหน้า และตามหลัง Kimi K3 และ Claude Opus 5 เป็นอย่างมาก (SCMP) การทดสอบของ Vals AI เองชี้ให้เห็นจุดอ่อนที่เป็นรูปธรรมสองประการ ได้แก่ การทำงานให้สำเร็จภายในสภาพแวดล้อมเทอร์มินัลแบบแซนด์บ็อกซ์ และการสร้างแบบจำลองทางการเงินที่ซับซ้อนในสเปรดชีต Excel

• Vibe Code Bench v1.1 — 49.93 (Vals AI, การรันอิสระแบบ "Benchmark exact" เพียงหนึ่งเดียวในชุด)

บัญชีที่ซื่อตรง — สิ่งที่ถูกทำซ้ำแล้ว เทียบกับสิ่งที่ยังเป็นเพียงคำกล่าวของ Deep​Seek

นี่คือส่วนที่บทความ benchmark มีไว้เพื่อนำเสนอ และเป็นเหตุผลที่ควรบุ๊กมาร์กหน้านี้มากกว่าการรายงานข่าวเปิดตัว แบ่งคะแนนทั้งหมดออกเป็นหนึ่งในสองกลุ่ม:

• จากแหล่งข้อมูลอิสระ: AA Intelligence Index 53 / 53.2, AA Coding 68.8, Vals AI อันดับที่ 12, Vibe Code Bench 49.93 — และผลการรัน Terminal-Bench 2.1 จากแหล่งข้อมูลแยกต่างหากที่ได้ค่า 78.7 ซึ่งอยู่เคียงข้างค่า 87.9 ของ Deep​Seek บนหน้าโมเดลของ OrcaRouter ช่องว่างเก้าคะแนนระหว่างตัวเลขของผู้พัฒนากับผลการรันอิสระคือข้อมูลที่สำคัญที่สุดเพียงชิ้นเดียวในหน้านี้: นั่นคือช่องว่างการทำซ้ำผลลัพธ์ในเชิงปริมาณ

• รายงานโดยผู้ให้บริการเท่านั้น ยังไม่ได้ทำการทดสอบซ้ำโดยอิสระ: ตัวเลขทุกค่าในการ์ดอย่างเป็นทางการ 0813 ด้านบน (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) และชุดการเขียนโค้ดแบบขยายทั้งหมด (SWE-bench Verified 80.6, LiveCodeBench 93.5, Codeforces 3206, BrowseComp 83.4, MRCR 83.5, CorpusQA 62.0, GPQA Diamond 92.8) โดยเอกสารของ Deep​Seek เองระบุว่าตัวเลข Terminal-Bench 2.1 เป็น "การรันโดยผู้ให้บริการ"

เมื่ออ่านแบบนั้น เรื่องราวก็สมเหตุสมผล: DeepSeek V4 Pro เป็นโมเดล frontier ระดับกลางจริงๆ — AA 53 อยู่อันดับที่ 13 ถึง 29 — พร้อมกับสกอร์การ์ดจากผู้ผลิตที่อ้างว่ามีประสิทธิภาพด้าน agentic และการเขียนโค้ดใกล้ระดับสูงสุด ข้อความทั้งสองเป็นจริงและไม่ขัดแย้งกัน ข้อหนึ่งวัดจากผลการทดสอบ อีกข้อหนึ่งเป็นการกล่าวอ้าง

ราคาสกอร์การ์ด

DeepSeek V4 Pro คือโมเดล MoE ระดับเรือธงที่มีพารามิเตอร์รวม 1.6T / ใช้งานจริง 49B พร้อมหน้าต่างบริบท 1M โทเคนและเอาต์พุตสูงสุด 384K บน OrcaRouter มีราคาตามรายการราคาของ Deep​Seek โดยไม่มีมาร์กอัป: $0.435 ต่อล้านโทเคนอินพุต และ $0.87 ต่อล้านโทเคนเอาต์พุต (อ่านแคช $0.060 ต่อล้านโทเคน), ตามไดเรกทอรีที่ตรวจสอบเมื่อวันที่ 15 สิงหาคม 2026 และยืนยันบนหน้าโมเดลสด ด้วยอัตรานั้น การคำนวณราคาต่อคะแนนเป็นเหตุผลที่แข็งแกร่งที่สุดสำหรับโมเดลนี้: ราคาเอาต์พุตของโมเดลนี้อยู่ที่ประมาณหนึ่งในสิบของราคาเอาต์พุตของโมเดลที่ได้คะแนนใกล้เคียงในดัชนีอิสระ คุณจึงจ่ายในราคาระดับกลางสำหรับผลคะแนนที่ หากคำกล่าวอ้างของผู้ขายเป็นจริง ก็อยู่ใกล้ระดับบนสุด ข้อควรระวัง: Deep​Seek ได้ประกาศตารางราคาช่วงพีค/นอกพีค (นอกพีคคิด 50% ของช่วงพีค) ซึ่งมีผลตั้งแต่วันที่ 17 สิงหาคม เวลาปักกิ่ง อัตราจึงอาจเปลี่ยนแปลงได้ — ตัวเลขที่นี่เป็นราคารายการสด ณ เวลาที่เขียนบทความนี้

ให้บริการ DeepSeek V4 Pro: 271 โทเคนเอาต์พุตต่อวินาทีบน H20

Benchmarks วัดว่าโมเดลรู้อะไร; ตัวเลขด้านการให้บริการวัดว่าคุณทำให้มันคิดได้ถูกแค่ไหน เมื่อวันที่ 19 สิงหาคม 2026 LMSYS — องค์กรที่อยู่เบื้องหลัง Chatbot Arena — และทีมโอเพนซอร์สของ Ant Group ได้เผยแพร่งานด้าน serving ที่จริงจังเป็นครั้งแรกบนบิลด์ 0813: "สแตกการให้บริการเฉพาะสถานการณ์" ที่สร้างบน SGLang เอ็นจินโอเพนซอร์สที่ LMSYS ดูแล ตัวเลขหลักคือ 271 โทเคนเอาต์พุตต่อวินาทีที่ batch size 1 บน NVIDIA H20, ซึ่งทีมประเมินว่าอยู่ที่ 1.42× เทียบกับ B300 — ทำได้บนชิปที่ ไม่มี Tensor Cores FP4 ดั้งเดิม. การวัดเหล่านี้เป็นของ LMSYS และ Ant Group เอง โดยประกาศในบล็อกและบน X; ยังไม่มีใครทำการตรวจสอบซ้ำอย่างอิสระ.

ตัวเลขส่วนที่เหลือของสแตก ทั้งหมดเป็นการรายงานตนเองโดย LMSYS และ Ant Group บนสแตกของตัวเอง:

• ความหน่วงในการดีโค้ด — คอมโพเนนต์ "optimized DSpark" ลดเวลาต่อโทเคนเอาต์พุต (TPOT) ลง 74.8–78.0% ที่ขนาดแบตช์ 1.

• Prefill — การ prefill จำนวน 1 ล้านโทเคนเสร็จสิ้นใน 43.7 วินาที คิดเป็นการเพิ่มปริมาณงาน prefill โดยเฉลี่ยเรขาคณิต 36.5%

• KV cache — โครงการที่ทีมเรียกว่า "Humming MXFP4AFP8 + Online C128" ขยายความจุ KV cache แบบ full-token ถึง 10.14 เท่า ซึ่งเป็นกลไกที่ทำให้งาน agent ที่ใช้ 1M token เป็นไปได้จริงบนชิปตระกูลนี้

• การถอดรหัสต่อ GPU — ที่บริบท 4K ปริมาณงานถอดรหัสต่อ GPU เพิ่มขึ้นจาก 319.9 เป็น 703.2 tokens/s/GPU ซึ่งเป็นการปรับปรุง 2.20 เท่า

อ่านข้อควรระวังก่อนจะคำนวณขนาด fleet จากตัวเลขนี้ Batch size 1 คือโหมด single-stream ซึ่งเป็นสิ่งที่ interactive agent หรือแชทพบ ไม่ใช่ API ที่มี concurrency สูง และการเปรียบเทียบที่ต่ำกว่า B300 อยู่ 1.42 เท่านั้นเป็นอัตราส่วนที่ LMSYS ระบุไว้โดยไม่เผยแพร่ค่า tokens/s สัมบูรณ์ของ B300 ดังนั้นช่องว่างดังกล่าวจึงเป็นเพียงการอ้างสิทธิ์ ไม่สามารถตรวจสอบยืนยันได้ นอกจากนี้ผลลัพธ์ยังวัดที่ตัว stack ไม่ใช่ที่ตัวชิป: การปรับปรุงเหล่านี้มาจากการปรับแต่งประสิทธิภาพระดับ SGLang บนฮาร์ดแวร์ที่มิฉะนั้นจะดูมีพลังไม่เพียงพอสำหรับ MoE ที่มีพารามิเตอร์รวม 1.6T สำหรับบริบท หน้าโมเดลสดของ OrcaRouter วัด DeepSeek V4 Pro ได้ 80.8 output tokens/s ผ่าน API endpoint ที่ใช้ร่วมกัน — ส่วนตัวเลข H20 เป็น benchmark แบบ single-stream บน stack เฉพาะ ซึ่งเป็นตัวเลขคนละแบบที่มีความหมายต่างกัน

หากปริมาณงานของคุณให้บริการผ่าน API สิ่งเหล่านี้ไม่ได้เปลี่ยนแปลงวิธีที่คุณเรียกใช้โมเดล: DeepSeek V4 Pro คือคีย์ที่เข้ากันได้กับ OpenAI บน OrcaRouter ในราคารายการของ Deep​Seek พร้อมการเปลี่ยนผ่านอัตโนมัติเมื่อผู้ให้บริการหยุดทำงาน ตัวเลข H20 มีความสำคัญที่สุดหากคุณคือทีมที่กำลังชั่งน้ำหนักระหว่างกลุ่ม H20 ที่โฮสต์เองกับการจ่ายค่า API — ช่องว่างที่งานของ LMSYS และ Ant Group ปิดลงคือการตัดสินใจซื้อฮาร์ดแวร์ ไม่ใช่การตัดสินใจเลือกโมเดล

เมื่อคำแนะนำนี้ไม่ถูกต้อง

กรณีที่ตรงไปตรงมาที่ DeepSeek V4 Pro ไม่ควรเป็นตัวเลือกของคุณ:

• คุณต้องการการให้เหตุผลระดับแนวหน้าที่ได้รับการยืนยันโดยอิสระAA Index 53 อยู่ในกลุ่มกลาง — Kimi K3 (60) และ GPT-5.6 Terra (57) อยู่ข้างหน้าและผ่านการยืนยันแล้ว หากการตัดสินใจของคุณขึ้นอยู่กับเพดานที่วัดได้ การ์ดผู้จำหน่ายก็ไม่ได้เปลี่ยนมัน

• คุณกำลังวางเดิมพันการผลิตไว้ที่ DeepSWE 62.7 ก่อนที่ใครสักคนจะรันมันซ้ำ การพุ่งขึ้นจาก 12.8 เป็น 62.7 ในรีลีสเดียวคือการกล่าวอ้าง ไม่ใช่ข้อเท็จจริง รอการทดสอบซ้ำอย่างเป็นกลาง — ช่องว่าง 87.9 เทียบกับ 78.7 ใน Terminal-Bench แสดงให้เห็นว่าอาจพบอะไรบ้าง

• งานของคุณเป็นงานอัตโนมัติบนเทอร์มินัลแบบแซนด์บ็อกซ์หรือการสร้างแบบจำลองทางการเงินด้วย Excel Vals AI กล่าวว่าสิ่งเหล่านี้คือจุดที่โมเดลมีปัญหาจริง ๆ โดยไม่ขึ้นกับคะแนนของผู้จำหน่ายรายใด

• คุณกำลังตัดสินใจด้านความปลอดภัยทางไซเบอร์จาก CyberGym 83.3 นั่นคือ Deep​Seek ทดสอบโมเดลของตัวเองบนเกณฑ์มาตรฐานของตัวเอง — ผู้จำหน่ายความปลอดภัยที่ซื้อตามตัวเลขนี้กำลังซื้อข้อมูลที่ไม่ผ่านการตรวจสอบ

• คุณกำลังซื้อ H20s โดยอ้างอิงจากตัวเลข 271 tokens/s เพียงอย่างเดียว ตัวเลขดังกล่าวเป็น benchmark ที่รายงานด้วยตนเองบนสแตกเดียวที่ batch size 1 — ดูมีแนวโน้มดี ยังไม่ผ่านการพิสูจน์ซ้ำ และเป็นเพียงจุดหนึ่งบนเส้นต้นทุนที่รวมถึงการใช้ทรัพยากร พลังงาน และสแตกเซิร์ฟวิ่งที่คุณจะใช้งานจริงด้วย

ประเด็นสำคัญ

DeepSeek V4 Pro 0813 เป็นโมเดลระดับฟรอนเทียร์อย่างแท้จริง โดยมีสกอร์การ์ดจากผู้ผลิตที่เหนือกว่าผลการทดสอบอิสระของมัน การเปิดตัว 0813 เปลี่ยนพรีวิวเชิงข้อความให้กลายเป็นคู่แข่งด้านเอเจนต์ที่จริงจัง — เราได้ครอบคลุมการเปิดตัวนี้แยกต่างหากแล้ว — และหากคุณต้องการประเมินในวันนี้ มันคือคีย์ที่เข้ากันได้กับ OpenAI บน OrcaRouter ในราคาตามรายการของ DeepSeek พร้อมระบบเฟลโอเวอร์อัตโนมัติหากผู้ให้บริการหยุดชะงัก เพียงอ่านสกอร์การ์ดตามที่บทความนี้แบ่งไว้: ผลตรวจสอบอิสระ (AA 53, Vals อันดับ 12, การรัน Terminal-Bench 78.7) คือสิ่งที่คุณเชื่อถือได้ในวันนี้; ค่าต่างๆ อย่าง 87.9 และ 62.7 คือสิ่งที่คุณควรตรวจสอบก่อนนำไปใช้ต่อยอด วินัยแบบเดียวกันนี้ขยายไปถึงด้านการเสิร์ฟ: อัตราเอาต์พุต 271 โทเคนต่อวินาทีบน H20 ของ LMSYS และ Ant Group คือภาพปริมาณงานที่ดีที่สุดที่เรามี และยังคงเป็นคำกล่าวของพวกเขาจนกว่าการรันจากฝ่ายกลางจะยืนยัน ซื้อมันเพราะความคุ้มค่าด้านราคาต่อประสิทธิภาพและบริบท 1 ล้านโทเคน ไม่ใช่เพราะตัวเลขพาดหัวที่ยังไม่ได้รับการพิสูจน์ซ้ำ