8月12日晚，DeepSeek悄无声息把V4-Pro正式版（版本号0813）更新到了API文档里，没有发布会，没有官宣推文，甚至连个正式公告都没有——不愧是网友口中的“梁圣”，连更新都这么不走寻常路。 官方给出的核心升级数据相当炸裂：软件工程智能体指标DeepSWE从预览版的12.8直接涨到62.7，提升了近4.9倍。

价格也随能力一起涨了：定位高端档的V4 Pro，每百万token缓存未命中输入3元、输出6元，对比V4 Flash的1元输入、2元输出，价格直接翻了三倍。官方还大大方方提前预告：“计划近期整体上调DeepSeek API服务定价，预计涨幅较大”，完全不搞“偷偷涨价暗降配置”的操作。 社区早就对这次更新望眼欲穿，甚至有内测消息传新版本相关能力是“宇宙最强”，吊足了全网胃口——当然大家都懂，“宇宙最强”四个字是钩子，产品撑得住就是口碑，撑不住就是回旋镖。

为了验证它涨价的底气到底足不足，我们熬了一整晚，把模型接入Claude Code的真实Agent环境，用社区最新的7道硬核测试题从易到难跑了一遍，不看官方跑分，只看真实表现。

憋了三个多月的转正版本

V4 Pro并不是全新模型，而是今年4月发布的V4系列里Pro预览版的“转正”版本，憋了三个多月才上线，直接用上线日期0813作为版本号。 这次转正的硬参数给得很足：支持1M上下文长度，输出上限拉到384K Token，支持思考/非思考双模式，默认开启思考状态；接口同时兼容OpenAI和Anthropic两套格式，接入Claude Code这类Agent开发框架，直接换个base_url就能用。

比起参数升级，更值得注意的是官方的宣传方向变了：不再强调模型“考试分数高、答题准”，而是主打“能踏踏实实把一整件事干完”。九项Agent与代码基准测试全线大涨：终端操作能力Terminal Bench 2.1拿到87.9分，网络安全能力Cybergym拿到83.3分，自然语言转代码仓库能力NL2Repo拿到61.5分，相比预览版分别提升了15.8、30.6、23分。 当然社区也不全是好评：有开发者对比测试后认为0813版本仍然略逊于Luna MX，也有近一半基准分数落后于Kimi K3。由于官方至今没有发布完整的测试报告，所有性能宣称都需要第三方实测验证。

测试题已经换代了

在说测试结果之前，得先交代个大背景：现在大模型的测试标准早就更新了。 8月2日，刚加入Anthropic的AI大牛Karpathy发推表示，“让AI画个骑自行车的鹈鹕”这类简单测试早就该退休了。他给Claude Opus 5输入《指环王》第一章的文本，给100万token预算（约合10美元），让它用Three.js生成可交互的3D霍比屯场景。Opus 5跑了2小时，写了5500行代码，搭出来的霍比屯还是有不少穿模、物体漂浮的问题。之前网友用DeepSeek V4 Flash复现这道题，结果场景里的人物全飘在空中，穿帮到离谱。

我们这次给0813准备的测试题，全是这类对标真实开发场景的复杂任务，避开了早已被模型刷烂的老题。七道题难度逐级递增：从最简单的SVG画图，到3D场景生成，再到需要连续工作几小时的全栈项目开发，全程在真实Agent环境里运行，不搞网页聊天框里的“温室测试”。

简单题居然先翻车

先说坏消息：第一道入门测试题，0813就翻了车。 这道题就是Karpathy点名要“退休”的鹈鹕骑行动画SVG题，因为几乎所有大模型都测过，拿来当对照组最合适。结果0813生成的动画里，鹈鹕的脚确实踩在踏板上，但踏板根本没装在自行车车架上，结构歪七扭八，根本骑不了。

我们一开始怀疑是推理强度开太高导致“过度思考”，把推理强度从max降到high又测了一遍，结果问题更多：鹈鹕造型怪异，天上的云方向都是反的。有意思的是之前测试Kimi K3时，它也在这道简单题上翻过车——难道大模型能力强到一定程度，反而会在这种不需要复杂思考的题目上“想太多”？目前样本太少还不好下结论，但也给我们提了个醒：测模型不能只看高光时刻，低级bug该来还是会来。

【编辑观察】这种“难题全对、简单题翻车”的玄学bug目前在多个顶级模型上都出现过，估计得等后续研究者慢慢找原因了，现阶段用的时候最好还是多检查下生成内容里的基础元素。

前端审美大升级，告别“一眼AI”

第二题刚开局的坏印象，直接被第二题的表现翻盘了。 这道题要求模型在单个HTML文件里生成不规则拼贴的Bento风格卡片墙，必须做满60种不同的设计风格，每种风格要抓住核心视觉特征，不准靠换颜色凑数。结果0813一次通过，60种风格全部实现，从孟菲斯、瑞士国际主义到玻璃拟态、新丑风，每种风格的设计语法抓得极准，没有一张卡片是敷衍的“换皮”，以后做vibe coding项目再也不用怕生成的页面风格单调了。

第三题是前端叙事动画测试：给一段“老水手夜晚在码头等船”的文字描述，要求生成自动循环播放的动画页面，通过镜头推进、配色变化传递情绪。0813交出的成品完整度极高：镜头从远处小镇慢慢推到码头，再聚焦到灯塔，海浪动态自然，文字随场景渐显，循环播放丝滑流畅。

唯一的问题还是出在最简单的元素上：天上的月亮画成了个带黑窟窿的奇怪形状，和鹈鹕那题的毛病如出一辙。

第四题是Three.js 3D打砖块游戏测试，要求游戏机制完整，有胜负判定、操作反馈，还要兼顾UI美观和手感。测试结果是游戏完整可玩，碰撞检测准确无穿模，得分、生命值、游戏结算逻辑全部正常，一次运行成功。最让我们惊喜的是它的配色终于摆脱了大模型常见的“蓝紫渐变+玻璃拟态+大圆角”模板味，音效和操作反馈都很自然，完全看不出是AI随手生成的内容。

复杂任务：真的能“把事干完”

第五题就是现在圈里最火的新基准：参照Karpathy的测试方法，给《指环王》开头文本，让模型用Three.js搭建霍比屯比尔博111岁生日宴会的可交互3D场景。为了控制测试时长，我们只给了文本开头部分，0813生成的场景里洞屋、宴会长桌、蛋糕、宾客、烟火元素一应俱全，没有物体漂浮、没有模型穿模，运镜从俯瞰整个霍比屯慢慢推近到比尔博身上，单场景表现和Opus 5不相上下。这至少说明，在“读懂文学描述搭3D世界”这条新赛道上，国产模型完全没掉队。

第六题是压轴的3D浮岛作品集网站测试，我们用和之前测试GPT-5.6、Kimi K3、V4 Flash完全一致的提示词，要求模型用React Three Fiber搭建一个创意作品集网站，要满足滚动驱动运镜、四章节叙事、物件交互、Bloom后处理、移动端适配这些要求。这道题0813花了整整1小时29分钟，是所有测试里耗时最久的——最后半小时它一直在自己启动项目测试，直到确认没有运行错误才交付成果，首轮打开就能零bug运行。

成品的转场、运镜、交互、移动端适配都做得极好，唯一的小问题是初始加载页亮度太高，刚打开会被亮光晃一下。

对比之前几个模型的表现：GPT-5.6功能完整度最高，但点击物件时会错误虚化背景；Kimi K3的视觉观感是之前测试里最好的，但运镜流畅度不足；V4 Flash能做出动态草地效果，但转场逻辑生硬。0813相当于把之前版本的所有短板都补上了，说它性能逼近顶级闭源模型真不是夸大宣传。 第七题就是对应官方宣传的“能把事干完”的长周期工程测试：我们让模型从零搭建一个全栈记账本应用，分三轮迭代：第一轮实现核心的记账增删查改功能，第二轮加上月度分类统计和Canvas柱状图，第三轮实现预算超支提醒，每一轮都要求写单元测试、跑测试，报错了自己修复，全程不允许人工介入。

三轮测试0813全部顺利完成，过程一点不“水”：每写完一部分功能就主动跑测试，遇到Node 26版本不兼容测试参数的报错，会自己查错误信息、改配置文件，直到测试通过才进入下一轮，全程没有需要我们介入纠错的地方，唯一有点繁琐的是每新建一个文件就会申请一次权限。

最终交付的记账本功能完整，还主动做了输入转义防XSS攻击，前端样式简洁舒服。

【编辑观察】对于开发者来说，这种“接了需求就自己从头到尾干完，遇到bug自己修，不用人盯着擦屁股”的靠谱感，其实比跑分高个几分要实用得多。

涨价三倍，依然能打

把七项测试的结果拉通来看，0813版本的优缺点都非常鲜明：

  • 核心升级够硬：前端审美迎来质变，彻底摆脱“AI生成内容一眼假”的问题；创意类3D任务表现跻身第一梯队，和顶级闭源模型打得有来有回；长周期工程能力扎实，真的能独立完成完整项目开发。
  • 玄学bug仍在：总是在结构极简单的基础元素上犯低级错误，鹈鹕、月亮这类几乎没有难度的内容反而容易画错，目前还没找到明确的翻车规律。

巧的是，顶级闭源模型Grok 4.6几乎和0813同时间上线，一个走闭源路线一个走开源路线，都主打高性价比，接下来的正面对决相当值得期待。

回到最开始的问题：价格涨了三倍，DeepSeek V4 Pro还值吗？以这次实测的表现来看，它依然是性价比极高的选择。这次涨价也释放了一个很明确的信号：DeepSeek要告别之前的低价价格战了，整个大模型行业都在往高性能、高价值的方向转向，大家熟悉的“AI白菜价”免费窗口，正在慢慢关闭。