DeepSeek V4 Pro 基准测试：完整的 0813 评分卡、全部独立检查，以及尚未有人验证的部分

一句话回答：按照 DeepSeek 自己的数据，DeepSeek V4 Pro 交出了一份确实亮眼的智能体成绩单——Terminal-Bench 2.1 为 87.9，DeepSWE 为 62.7，CyberGym 为 83.3——但几乎每个头条数字都来自厂商自报，独立视角下的图景则冷静得多。 Artificial Analysis 在智能指数上给官方 0813 版本打出 53 分，与 GLM-5.2 持平，落后 GPT-5.6 Terra 4 分，落后 Kimi K3 7 分；Vals AI 将其排在第 12 位，低于上一代 GPT-5.5。本文是此前无人写过的完整汇总：完整的 0813 成绩单、技术报告中的扩展编码测试集、目前已有的全部独立验证，以及一份诚实的账目，标明哪些数字已被复现、哪些仍只是 DeepSeek 的单方说法。

官方0813成绩单——全部都是DeepSeek自己的数据

DeepSeek 的官方公告（API 文档，news260813，2026年8月13日）报告了针对四月预览版的生产构建。本节中的所有数据均为供应商报告——截至2026年8月16日，尚未有任何数据被独立复现：

• Terminal-Bench 2.1 — 87.9（预览：72.1）。

• DeepSWE — 62.7（预览版：12.8）——约 5 倍的跃升，这是该卡上最引人注目的说法。

• CyberGym — 83.3（预览版：52.7）。

• Humanity's Last Exam——无工具时42.7，有工具时60.0（预览：37.7 / 48.2）。

• Toolathlon-Verified — 74.1（预览：55.9）。

• AutomationBench（公开版）— 31.8（预览版：12.8）。

• DSBench-FullStack — 71.1；DSBench-Hard — 67.2（预览：41.8 / 31.1）。

• NL2Repo — 61.5（预览版：38.5）。

• Agents' Last Exam — 25.7（预览：16.5）。

值得注意的模式在于收益集中之处：智能体与网络安全基准测试。那正是实验室在推广智能体模型时会拿出的成绩单——也正是你在投入生产资金之前需要中立复测的那一种。

DeepSeek技术报告中的扩展编码集

除了智能体卡片之外，DeepSeek 技术报告（由 BenchLM 于 2026 年 8 月 16 日汇总）还增加了更广泛的编码和长上下文数据集。同样由供应商报告，并被 BenchLM 标记为“Provider exact”——没有独立测试：

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

• LiveCodeBench Pass@1-CoT — 93.5% — BenchLM 目录中经过验证的最佳成绩。

• Codeforces 积分 — 3206——也是目录中已验证的最佳成绩。

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

• MRCR 1M — 83.5%；CorpusQA 1M — 62.0%——这两项均为1M token检索上的目录最佳成绩，对于宣称拥有1M token上下文窗口的模型来说至关重要。

• GPQA Diamond — 92.8，SciCode — 49.2，Long-Context Recall — 75.3（列于 OrcaRouter 的模型页面）。

独立评估者实际衡量什么

三个独立信源对DeepSeek V4 Pro进行了实测，其结论均低于厂商标称。

• Artificial Analysis Intelligence Index — 53（SCMP 2026年8月报道；OrcaRouter 的模型页面显示为 53.2，在 132 个中排名第 20）。与 GLM-5.2 持平，落后 GPT-5.6 Terra 4 分，落后 Kimi K3 7 分。

• Artificial Analysis Coding — 68.8，在130个中排名第24（据OrcaRouter的模型页面）。

• Vals AI 指数排名第 12，落后于上一代 GPT-5.5，也远远落后于 Kimi K3 和 Claude Opus 5（SCMP）。Vals AI 自身的测试指出了两个具体的弱点：在沙盒终端环境中完成任务，以及在 Excel 电子表格中构建复杂的财务模型。

• Vibe Code Bench v1.1 — 49.93（Vals AI，该组中唯一一次“Benchmark exact”独立运行）。

诚实的账本——哪些已被复现，哪些仍只是 DeepSeek 的一面之词

这正是基准测试文章所要提供的部分，也是相较于发布报道，您应为此页面添加书签的原因。将每个分数归入以下两个类别之一：

• 独立来源：AA Intelligence Index 53 / 53.2，AA Coding 68.8，Vals AI 排名第12位，Vibe Code Bench 49.93 —— 以及另一个独立来源的 Terminal-Bench 2.1 运行结果 78.7，该结果与 DeepSeek 的 87.9 并排显示在 OrcaRouter 的模型页面上。厂商数据与独立运行结果之间这九分的差距，是本页最重要的一项数据：这就是可复现性差距的量化体现。

• 仅厂商报告，未经独立复现：上述官方 0813 卡片中的每一项数据（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）以及整个扩展编码集（SWE-bench Verified 80.6、LiveCodeBench 93.5、Codeforces 3206、BrowseComp 83.4、MRCR 83.5、CorpusQA 62.0、GPQA Diamond 92.8）。DeepSeek 自己的文档将 Terminal-Bench 2.1 的这项数据标记为“provider run”。

这样解读的话，故事是自洽的：DeepSeek V4 Pro 确实是一款处于中游的前沿模型——AA 53，排名在十几到二十几名——其厂商评分卡声称在智能体和编码性能上接近顶尖水平。这两种说法都属实，而且并不冲突；一个是实测的，另一个是宣称的。

记分卡的费用

DeepSeek V4 Pro 是总参数 1.6T、激活参数 49B 的 MoE 旗舰模型，支持 100 万 token 上下文窗口和 384K 最大输出。在 OrcaRouter 上，它按 DeepSeek 官方标价出售，零加价：每百万输入 token $0.435，每百万输出 $0.87（缓存读取每百万 $0.060）。以上价格依据 2026 年 8 月 15 日查核的目录，并已在实时模型页面上确认。以这个价格计算，单点性价比是该模型最有力的论据：它大约只有独立指数上相近得分模型输出价格的十分之一，因此你以中端价格买到的是一份——如果厂商宣称属实——接近顶级的成绩单。有一点需要注意：DeepSeek 已宣布自北京时间 8 月 17 日起实行峰谷定价方案（谷时价格为峰时的 50%），因此价格可能会变动——本文中的数字是截至本文发布时的实时挂牌价。

当此推荐有误时。

以下这些真实情况下，你不应选择 DeepSeek V4 Pro：

• 您需要经独立确认的前沿推理能力。 AA Index 53 处于中游水平——Kimi K3（60）和 GPT-5.6 Terra（57）领先且已验证。如果您的决策取决于实测上限，供应商卡片不会改变这一点。

• 在有人重新运行 DeepSWE 62.7 之前，你就把生产押注在它上面。 一次发布中 12.8→62.7 的跃升是断言，而非事实。等待中立的复现——87.9 与 78.7 的 Terminal-Bench 差距就显示了可能发现的情形。

• 你的工作负载是沙盒化的终端自动化或 Excel 财务建模。 Vals AI 表示，这些正是模型难以应对之处，与任何供应商评分无关。

• 你正基于 CyberGym 83.3 做出网络安全决策。这是 DeepSeek 在自己的基准上测试自己的模型——安全厂商依据这个数字采购，买到的只是未经审计的数据。

底线

DeepSeek V4 Pro 0813 是一款真正的前沿模型，其厂商评分卡表现优于独立评测记录。0813 版本将文本预览变成了一个严肃的智能体竞争者——我们已单独报道过该版本本身——如果你今天想评估它，只需在 OrcaRouter 上使用一个兼容 OpenAI 的密钥，按 DeepSeek 的标价即可，若供应商停滞则会自动故障转移。只需按照本文拆分评分卡的方式来解读：独立检查（AA 53、Vals 第 12 名、Terminal-Bench 78.7 分）是今天可以信赖的；87.9 和 62.7 这些分数则是你在基于它们构建之前需要验证的。购买它是为了性价比和 100 万 token 的上下文，而不是那些未被复现的头条数字。