DeepSeek V4 Pro 基準測試：完整 0813 成績單、每一項獨立檢查，以及尚無人驗證的真相

一句話回答：DeepSeek V4 Pro 在 DeepSeek 自家的數據上確實展現出亮眼的智能體（agentic）成績——Terminal-Bench 2.1 為 87.9、DeepSWE 為 62.7、CyberGym 為 83.3——但幾乎每一個頭條數字都是廠商自行呈報，獨立驗證的畫面則冷淡得多。 Artificial Analysis 將官方 0813 版本在其 Intelligence Index 上評為 53 分，與 GLM-5.2 持平，落後 GPT-5.6 Terra 四分、落後 Kimi K3 七分；Vals AI 則將其排在第 12 名，低於前一代的 GPT-5.5。本文是別人尚未寫過的完整彙整：完整的 0813 成績單、技術報告中的延伸程式碼評測集、所有現存的獨立檢驗，以及一份誠實的帳目，清楚列出哪些數字已被重現、哪些仍只是 DeepSeek 的一家之言。

官方0813成績單 — DeepSeek自己的數字，全部都是

DeepSeek的官方公告（API文件，news260813，2026年8月13日）報告了針對四月預覽版的生產版本。本節中的所有數據均為廠商報告——截至2026年8月16日，尚無任何數據被獨立重現：

• Terminal-Bench 2.1 — 87.9（預覽：72.1）。

• DeepSWE — 62.7（預覽：12.8）——約 5 倍的躍升，是這張規格表上最驚人的一項數據。

• CyberGym — 83.3（預覽：52.7）。

• Humanity's Last Exam — 未使用工具時 42.7，使用工具時 60.0（預覽：37.7 / 48.2）。

• Toolathlon 認證 — 74.1（預覽：55.9）。

• AutomationBench（公開）— 31.8（預覽：12.8）。

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

• NL2Repo — 61.5（預覽：38.5）。

• Agents' Last Exam — 25.7（預覽：16.5）。

值得注意的模式在於效益集中的地方：代理型與網路安全基準測試。這正是實驗室想要宣傳代理模型時會產出的成績單——也正是你在投入生產經費之前，需要中立複測的那種成績單。

DeepSeek 技術報告中的擴展編碼集

除了 agentic 卡片，DeepSeek 技術報告（由 BenchLM 於 2026 年 8 月 16 日彙總）還增加了更廣泛的編碼與長上下文測試集。同樣由供應商報告，並被 BenchLM 標記為「供應商精確」——沒有獨立測試：

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

• LiveCodeBench Pass@1-CoT — 93.5%——是BenchLM目錄中驗證過的最佳結果。

• Codeforces 積分 — 3206 — 也是目錄中驗證過的最佳記錄。

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

• MRCR 1M — 83.5%; CorpusQA 1M — 62.0% —— 兩者在 1M token 檢索上均為目錄最佳，這對一款主打 1M token 上下文視窗的模型來說至關重要。

• GPQA Diamond — 92.8、SciCode — 49.2、Long-Context Recall — 75.3（列於 OrcaRouter 的模型頁面）。

獨立評估者實際衡量的內容

三個獨立來源已對 DeepSeek V4 Pro 進行了測試，其評價集中低於廠商規格表：

• Artificial Analysis Intelligence Index — 53（SCMP的報導，2026年8月；OrcaRouter的模型頁面顯示53.2，在132個模型中排名第20）。與GLM-5.2持平，落後GPT-5.6 Terra四分，落後Kimi K3七分。

• Artificial Analysis Coding — 68.8，在130個中排名第24（根據OrcaRouter的模型頁面）。

• Vals AI Index — 第12名，落後於前一代的 GPT-5.5，且遠遜於 Kimi K3 和 Claude Opus 5（SCMP）。Vals AI 自己的測試指出了兩個具體的弱點：在沙盒終端環境中完成任務，以及在 Excel 試算表中建立複雜的財務模型。

• Vibe Code Bench v1.1 — 49.93（Vals AI，該集合中唯一「Benchmark exact」的獨立執行）。

誠實的帳本 — 哪些已被複現，哪些仍只是DeepSeek的一面之詞

這是基準測試文章存在所要提供的部分，也是您應將此頁面加入書籤而非發佈報導的原因。將每個分數歸入兩個類別之一：

• 獨立來源：AA Intelligence Index 53 / 53.2、AA Coding 68.8、Vals AI 排名第 12 位、Vibe Code Bench 49.93——以及另一獨立來源的 Terminal-Bench 2.1 測試結果為78.7，與 DeepSeek 的 87.9 並列於 OrcaRouter 的模型頁面。廠商數字與獨立測試結果之間的九分差距，是本頁最重要的一項數據：它正是可複現性差距的量化呈現。

• 僅廠商回報，未經獨立重現：上述官方 0813 卡片中的每一項數據（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）以及整個擴展編碼集（SWE-bench Verified 80.6、LiveCodeBench 93.5、Codeforces 3206、BrowseComp 83.4、MRCR 83.5、CorpusQA 62.0、GPQA Diamond 92.8）。DeepSeek 自己的文件將 Terminal-Bench 2.1 的數據標示為「供應商執行」。

照這樣讀，故事就前後一致：DeepSeek V4 Pro 是真正的中段班前沿模型——AA 53，排名在十幾到二十幾名——而供應商評分卡宣稱其代理與程式編寫效能接近頂尖。兩項陳述皆為真，且並不衝突；一項是實測，另一項是宣稱。

計分卡的費用是多少

DeepSeek V4 Pro 是總參數量 1.6T、活躍參數量 49B 的 MoE 旗艦模型，具備 1M token 的上下文視窗與 384K 的最大輸出長度。在 OrcaRouter 上，它按 DeepSeek 的官方牌價販售，零加價：每百萬輸入 token 0.435 美元，每百萬輸出 token 0.87 美元（快取讀取每百萬 token 0.060 美元），以上價格係根據 2026 年 8 月 15 日查閱的目錄，並已在即時模型頁面上確認。以該費率計算，每分價格的算式是支持此模型最有力的論據：其輸出價格大約只有獨立指數上分數相近之模型的十分之一，因此你付出的是中階價格，拿到的成績單——若廠商的宣稱屬實——卻接近頂尖。一個提醒：DeepSeek 已宣布自 8 月 17 日（北京時間）起實施尖峰／離峰定價方案（離峰價格為尖峰的 50%），因此費率可能變動——本文所列數字為撰稿當時的即時牌價。

當此建議有誤時

老實說，這些情況下你不應該選擇 DeepSeek V4 Pro：

• 你需要經獨立確認的前沿推理。 AA Index 53 屬於中段班——Kimi K3（60）和 GPT-5.6 Terra（57）領先且已得到驗證。如果你的決策取決於測得的天花板，供應商卡片並不會改變這一點。

• 你在別人重新驗證之前，就把生產賭在 DeepSWE 62.7 上。 單一版本從 12.8 跳到 62.7 是宣稱，不是事實。等待中立的複現——Terminal-Bench 的 87.9 對 78.7 差距，正說明了可能發現的情況。

• 您的工作負載是沙盒化的終端自動化或 Excel 財務建模。 Vals AI 表示，這些正是模型會遇到困難的地方，且與任何廠商評分無關。

• 你正在針對 CyberGym 83.3 做出網路安全決策。這代表 DeepSeek 用自己的基準測試自己的模型——安全廠商若依據這個數字採購，等於是在購買未經稽核的數據。

底線

DeepSeek V4 Pro 0813 是一款真正的頂尖模型，其廠商評分卡上的成績超越了獨立評測紀錄。0813 版本把一個文字預覽版變成了認真的代理型競爭者——我們已另行報導過該版本本身——如果你今天想評估它，它就是 OrcaRouter 上的一個 OpenAI 相容金鑰，按 DeepSeek 的牌價計費，若供應商回應停滯便會自動故障轉移。只要按照本文拆分評分卡的方式來解讀：獨立檢核（AA 53、Vals 第 12 名、78.7 的 Terminal-Bench 成績）是你今天可以信賴的；那 87.9 和 62.7 則是你應該在據以建置之前先行驗證的數字。買它是為了性價比和 100 萬 token 的上下文長度，而不是為了那些未經複現的標題數字。