DeepSeek V4-Flash正式公测与技术突破

2026年7月31日下午，DeepSeek正式推出V4-Flash-0731版本API公测。该模型在架构上与此前的预览版保持一致，采用MoE架构，总参数量为284B，激活参数为13B，并支持100万token的上下文窗口。

此次升级的核心在于后训练（Post-Training）和Agent框架的优化。数据显示，V4-Flash在DeepSWE软件工程基准测试中得分54.4分，较预览版的7.3分提升了7.5倍；在Terminal-Bench 2.1终端操作测试中获得82.7分；在CyberGym网络安全攻防模拟中得分为76.7分，较预览版翻倍。

与Kimi K3及其他模型的对比分析

在性能与定位方面，DeepSeek V4-Flash与Kimi K3呈现出截然不同的路线：

  • 性能与智能：Kimi K3于2026年7月27日完成开放权重发布。在Artificial Analysis智能指数中，Kimi K3 (max) 得分为57，高于DeepSeek V4-Flash的50分。在GDPval-AA v2测试中，Kimi K3取得了1687 Elo的最高开放权重分数，并具备原生视觉能力。
  • 规模与资源：Kimi K3是首个达到2.8万亿参数的开放模型，激活参数为104B；而DeepSeek V4-Flash激活参数仅为13B，对受GPU限制的自托管用户更具吸引力。
  • 成本与速度：DeepSeek V4-Flash主打极致性价比，API输入价格为1元/百万Token，输出为2元/百万Token，缓存价折扣低至98%。其API成本仅为Kimi K3的几十分之一，且每任务成本比GPT-5.6 Luna (max) 低约60%。

此外，与GLM-5.2相比，V4-Flash在性价比上更具优势，而GLM-5.2则在低延迟结构化工作流和工程落地方面表现扎实。

应用场景与行业影响

根据不同需求，用户的选择逻辑有所差异：追求极致性能、超长文档分析及多模态复杂任务的用户倾向于选择Kimi K3；而个人开发者和中小团队在面对代码修复、终端操作等高频Agent场景时，DeepSeek V4-Flash是优先选择。

行业分析认为，V4-Flash证明了精细化后训练可使轻量模型实现Agent能力的跃升，表明堆参数并非提升能力的唯一路径。